On Selection of Spatial Linear Models for Lattice Data
格点数据空间线性模型的选择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：文本明确讨论空间格点与生态数据，未涉及经济网络或干扰效应，现有细分缺少直接对应项。
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…
格点数据空间线性模型的选择
- 研究问题
- 在空间格点数据的线性模型中，如何同时选择解释变量和邻域结构，并进行参数估计，使模型选择兼顾空间依赖？
- 方法与思路
- 作者提出空间自适应 lasso 下的惩罚极大似然方法，并设计计算高效的算法，求取惩罚极大似然估计的近似解。
- 材料陈述的贡献
- 摘要称建立了惩罚估计及近似估计的渐近性质，模拟显示有限样本表现良好，并以加拿大西部生态数据进行说明。
- 阅读关注点
- 应核对空间依赖与格点扩展条件、邻域选择的参数化方式、惩罚参数设置，以及近似计算误差如何影响渐近结论。
- 阅读边界
- 仅据所给 Crossref 摘要；未列出渐近性质的具体形式、计算复杂度或模拟数值，生态实例不能证明其他应用中的表现。
原文摘要
Summary Spatial linear models are popular for the analysis of data on a spatial lattice, but statistical techniques for selection of covariates and a neighbourhood structure are limited. Here we develop new methodology for simultaneous model selection and parameter estimation via penalized maximum likelihood under a spatial adaptive lasso. A computationally efficient algorithm is devised for obtaining approximate penalized maximum likelihood estimates. Asymptotic properties of penalized maximum likelihood estimates and their approximations are established. A simulation study shows that the method proposed has sound finite sample properties and, for illustration, we analyse an ecological data set in western Canada.