Spatio-temporal model via Locally Adaptive Regression Splines
基于局部自适应回归样条的时空模型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。
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：摘要聚焦非参数回归估计的理论性质与算法，未涉及因果推断、面板、离散选择、时间序列、资产定价等所列领域细分的具体问题，故不选择任何细分方向。
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…
基于局部自适应回归样条的时空模型
- 研究问题
- 摘要称，研究在数据具有时空依赖的情形下如何估计非参数回归函数，并考察局部自适应回归样条估计量在该情境下的表现。
- 方法与思路
- 作者提出将局部自适应回归样条用于时空依赖数据：一元情形假设信号具有有界全变差的k阶弱导数；多元情形研究K近邻融合lasso估计量的变体，要求函数有界变差并满足推广的分片Lipschitz条件，并给出ADMM算法用于计算。
- 材料陈述的贡献
- 摘要称，该估计量此前未在此类情境下被考察；作者通过与下界对齐证明一元与多元估计量的极小极大最优性，并发现一种在局部自适应回归样条研究中前所未有的相变现象；模拟与真实数据应用显示其优于既有方法。
- 阅读关注点
- 阅读全文时应核对：时空依赖的具体假设形式、极小极大下界的构造条件、相变现象的精确定义与出现条件、ADMM算法的收敛性与调参方式，以及模拟和实证比较的设计与评价标准。
- 阅读边界
- 仅凭摘要无法判断证明细节、假设是否可检验、相变现象的实际含义，以及所声称的优越性是否在独立设定下稳健；摘要未说明数据来源、样本规模与具体数值结果。
原文摘要
This paper focuses on the estimation of a non-parametric regression function in the presence of data with spatio-temporal dependencies. In such a context, we study Locally Adaptive Regression Splines, a nonparametric estimator introduced by Mammen and Van De Geer (1997) and Rudin et al. (1992). To the best of our knowledge, this estimator has not previously been examined in a similar context. For univariate settings, the signals we consider are assumed to have a kth weak derivative with bounded total variation, allowing for a general degree of smoothness. In the multivariate setting, we study a variant of the K-Nearest Neighbor fused lasso estimator studied by Padilla et al. (2018a). For this case, the function is required to have bounded variation and satisfy a property that extends a piecewise Lipschitz continuity criterion, or the function is assumed to be piecewise Lipschitz. We develop an ADMM algorithm for practical computation. By aligning with lower bounds, the minimax optimality of our univariate and multivariate estimators is shown. A unique phase transition phenomenon, previously unprecedented in Locally Adaptive Regression Splines studies, emerges through our analysis. Both simulation studies and real data applications underscore the superior performance of our method when compared with established techniques in the existing literature.