Additive Model Building for Spatial Regression
空间回归的加性模型构建AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究空间依赖下的加性回归选择，未将空间相关明确建模为网络，也未对应其他所列细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
空间回归的加性模型构建
- 研究问题
- 空间依赖如何影响加性回归的变量选择，能否通过调整误差度量和惩罚方式，在相关观测下稳定选择真正的加性成分？
- 方法与思路
- 作者提出空间加权的平方误差范数与 group lasso 型惩罚，建立选择一致性，并通过模拟考察空间依赖和权重选择的影响。
- 材料陈述的贡献
- 摘要称，惩罚参数需考虑成分近似阶数、空间权重和依赖特征；论文给出选择一致性，并以肺癌死亡率数据作应用示例。
- 阅读关注点
- 应核对空间权重的构造依据、依赖与近似条件、惩罚参数选择规则，以及模拟如何区分权重设定与数据依赖的作用。
- 阅读边界
- 依据所给 Crossref 摘要；具体空间渐近框架、调参规则及误选率未提供，关于独立数据方法表现不佳的陈述不能无条件推广。
原文摘要
Summary Spatial regression is an important predictive tool in many scientific applications and an additive model provides a flexible regression relationship between predictors and a response variable. We develop a regularized variable selection technique for building a spatial additive model. We find that the methods developed for independent data do not work well for spatially dependent data. This motivates us to propose a spatially weighted l2-error norm with a group lasso type of penalty to select additive components in spatial additive models. We establish the selection consistency of the approach proposed where the penalty parameter depends on several factors, such as the order of approximation of additive components, characteristics of the spatial weight and spatial dependence. An extensive simulation study provides a vivid picture of the effects of dependent data structure and choice of a spatial weight on selection results as well as the asymptotic behaviour of the estimators. As an illustrative example, the method is applied to lung cancer mortality data over the period of 2000–2005, obtained from the ‘Surveillance, epidemiology, and end results’ programme, National Cancer Institute, USA.