A New Method of Prediction for Spatial Regression Models with Correlated Errors
相关误差空间回归模型的一种新预测方法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：摘要研究一般空间回归与插值，空间误差相关本身不足以归入网络干扰或时间序列方向。
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…
关注这篇论文的作者
相关误差空间回归模型的一种新预测方法
- 研究问题
- 对于连续空间过程的稀疏、不规则位置观测，如何联合估计模型参数，并构造均方误差最小的无偏线性插值预测？
- 方法与思路
- 作者假定线性回归误差为二阶平稳高斯随机场，开发与 Vecchia 参数估计程序兼容的预测方法，形成似然估计与预测框架。
- 材料陈述的贡献
- 摘要称该框架可处理大小不同的不规则空间数据集，并通过模拟与观测数据展示联合参数估计和预测方法的应用。
- 阅读关注点
- 应核对空间协方差设定、Vecchia 程序与预测的衔接，以及参数未知时如何实施插值、如何评估预测误差与计算成本。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未给出近似细节、计算复杂度或预测比较结果，不能据此宣称普遍优越，也不能推断版本变化。
原文摘要
SUMMARY This paper deals with minimum mean-squared error, unbiased linear interpolation of a continuous domain spatial process based on a sparse set of irregularly spaced observations. The process is assumed to be governed by a linear regression model with errors that follow a second-order stationary Gaussian random field. A new method of prediction is developed that is compatible with the parameter estimation procedures of Vecchia. The result is a new likelihood-based method for joint parameter estimation and prediction that can be applied to large or small data sets with irregularly spaced data. Simulated and observed data sets are analysed to illustrate the methods.