Transfer Learning for Spatial Autoregressive Models with Application to U.S. Presidential Election Prediction
空间自回归模型的迁移学习及美国总统选举预测应用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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究空间自回归迁移学习与选举预测，未明确涉及所列宏观预测、经济网络干扰或其他领域细分，故保留空分类。
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…
关注这篇论文的作者
空间自回归模型的迁移学习及美国总统选举预测应用
- 研究问题
- 在目标地区样本较小且数据存在空间依赖时，如何借助相似来源数据改善空间自回归估计，并在来源未知时识别可迁移的数据？
- 方法与思路
- 作者提出 tranSAR，先迁移再去偏估计参数，并用保留空间依赖的空间残差自助法检测可迁移来源，推导收敛率与检测一致性。
- 材料陈述的贡献
- 摘要称，该方法在模拟中改善传统两阶段最小二乘估计，并展示摇摆州选举预测应用；其对二〇二四年选举的预测是该版本的模型输出。
- 阅读关注点
- 应核对空间权重矩阵、来源与目标的相似性限制、去偏和来源检测条件，以及选举预测的训练时间、验证方式与信息可用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要中的选举预测未经本任务核验，未提供预测误差或后续版本对结果的修订。
原文摘要
It is important to incorporate spatial geographic information into U.S. presidential election analysis, especially for swing states. The state-level analysis also faces significant challenges of limited spatial data availability. To address the challenges of spatial dependence and small sample sizes in predicting U.S. presidential election results using spatially dependent data, we propose a novel transfer learning framework within the SAR model, called as tranSAR. Classical SAR model estimation often loses accuracy with small target data samples. Our framework enhances estimation and prediction by leveraging information from similar source data. We introduce a two-stage algorithm, consisting of a transferring stage and a debiasing stage, to estimate parameters and establish theoretical convergence rates for the estimators. Additionally, if the informative source data are unknown, we propose a transferable source detection algorithm using spatial residual bootstrap to maintain spatial dependence and derive its detection consistency. Simulation studies show our algorithm substantially improves the classical two-stage least squares estimator. We demonstrate our method's effectiveness in predicting outcomes in U.S. presidential swing states, where it outperforms traditional methods. In addition, our tranSAR model predicts that the Democratic party will win the 2024 U.S. presidential election.