Functional CAR Models for Large Spatially Correlated Functional Datasets
大型空间相关函数型数据的函数型条件自回归模型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：摘要研究空间函数型回归，未明确涉及经济面板、网络干扰或所列其他细分方向。
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…
关注这篇论文的作者
大型空间相关函数型数据的函数型条件自回归模型
- 研究问题
- 当格点区域上的观测对象是函数，且空间与函数域中的协方差可能非平稳、不可分离时，如何进行可扩展的函数响应回归？
- 方法与思路
- 作者构建函数型条件自回归模型，使空间协方差参数随函数位置变化并共享信息，再利用基变换处理大型数据与图像。
- 材料陈述的贡献
- 摘要称，各函数位置均得到条件自回归结构；模拟显示纳入空间相关可改善回归表现，应用还发现忽略相关性的方法遗漏的遗传标记。
- 阅读关注点
- 应核对协方差构造的有效性、非平稳与不可分离结构的限制、基变换误差，以及遗传标记发现的统计判定方式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；理论条件、计算成本和比较结果未列出，不能据此判断所有空间数据上的性能。
原文摘要
We develop a functional conditional autoregressive (CAR) model for spatially correlated data for which functions are collected on areal units of a lattice. Our model performs functional response regression while accounting for spatial correlations with potentially nonseparable and nonstationary covariance structure, in both the space and functional domains. We show theoretically that our construction leads to a CAR model at each functional location, with spatial covariance parameters varying and borrowing strength across the functional domain. Using basis transformation strategies, the nonseparable spatial-functional model is computationally scalable to enormous functional datasets, generalizable to different basis functions, and can be used on functions defined on higher dimensional domains such as images. Through simulation studies, we demonstrate that accounting for the spatial correlation in our modeling leads to improved functional regression performance. Applied to a high-throughput spatially correlated copy number dataset, the model identifies genetic markers not identified by comparable methods that ignore spatial correlations.