Likelihood‐Based Inference and Prediction in Spatio‐Temporal Panel Count Models for Urban Crimes
城市犯罪时空面板计数模型的似然推断与预测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：摘要以人口普查区月度犯罪计数为对象，建立带时空潜在状态的面板模型，其直接方法依据是面板数据建模。
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…
城市犯罪时空面板计数模型的似然推断与预测
- 研究问题
- 匹兹堡人口普查区的月度严重犯罪如何随空间、时间及社会经济因素变化，较轻犯罪能否为严重犯罪提供领先预测信息？
- 方法与思路
- 作者建立含潜在时空异质状态过程的面板计数模型，结合犯罪报告与社会经济数据，以高效重要性采样估计高维空间模型的似然。
- 材料陈述的贡献
- 摘要称较轻犯罪是严重犯罪的领先指标，并提供最大似然估计、时空弹性、样本外预测、预测分布及执法相关的验证统计量。
- 阅读关注点
- 核对计数分布与潜在状态过程的设定、空间结构和重要性采样精度，并检查领先变量、样本外预测及验证统计量的构造。
- 阅读边界
- 摘要未说明变量控制、空间结构及预测验证细节；领先预测关系和模型弹性本身不足以确立破窗机制的因果效应。
原文摘要
Summary We develop a panel count model with a latent spatio‐temporal heterogeneous state process for monthly severe crimes at the census‐tract level in Pittsburgh, Pennsylvania. Our dataset combines Uniform Crime Reporting data with socio‐economic data. The likelihood is estimated by efficient importance sampling techniques for high‐dimensional spatial models. Estimation results confirm the broken‐windows hypothesis whereby less severe crimes are leading indicators for severe crimes. In addition to ML parameter estimates, we compute several other statistics of interest for law enforcement such as spatio‐temporal elasticities of severe crimes with respect to less severe crimes, out‐of‐sample forecasts, predictive distributions and validation test statistics. Copyright © 2016 John Wiley & Sons, Ltd.