Approximating Likelihoods for Large Spatial Data Sets
大型空间数据集的似然近似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：摘要讨论空间数据的似然计算，未涉及网络干扰、面板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…
大型空间数据集的似然近似
- 研究问题
- 大型且位置不规则的空间数据使精确似然计算昂贵，如何减少条件密度计算量，并评估由此产生的近似损失？
- 方法与思路
- 作者按观测顺序分解联合密度，仅对部分先前观测进行条件化，将方法用于限制似然，并以估计方程评估近似效果。
- 材料陈述的贡献
- 摘要称该框架可近似限制似然；理论、数值和实际例子表明，条件集合中加入某些远距离观测往往具有明显收益。
- 阅读关注点
- 应核对观测排序与条件集合的选择、计算成本和近似评估标准，以及远距离观测带来收益的空间相关结构。
- 阅读边界
- 仅依据所给 Crossref 摘要；近似算法的最终复杂度、误差保证及收益大小未说明，不能声称远距离条件化总是更优。
原文摘要
Summary Likelihood methods are often difficult to use with large, irregularly sited spatial data sets, owing to the computational burden. Even for Gaussian models, exact calculations of the likelihood for n observations require O(n3) operations. Since any joint density can be written as a product of conditional densities based on some ordering of the observations, one way to lessen the computations is to condition on only some of the ‘past’ observations when computing the conditional densities. We show how this approach can be adapted to approximate the restricted likelihood and we demonstrate how an estimating equations approach allows us to judge the efficacy of the resulting approximation. Previous work has suggested conditioning on those past observations that are closest to the observation whose conditional density we are approximating. Through theoretical, numerical and practical examples, we show that there can often be considerable benefit in conditioning on some distant observations as well.