On Least Squares Fitting for Stationary Spatial Point Processes
平稳空间点过程的最小二乘拟合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：空间点过程与 K 函数拟合并未直接涉及所列面板、网络干扰或其他领域细分，故不作归类。
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
平稳空间点过程的最小二乘拟合
- 研究问题
- 如何利用 K 函数拟合平稳空间点过程的模型参数，并通过子抽样改进拟合程序，同时研究估计量的大样本性质与效率？
- 方法与思路
- 作者研究基于 K 函数的最小二乘参数估计，提出结合子抽样的拟合方法，并通过渐近理论、模拟和长叶松数据进行比较。
- 材料陈述的贡献
- 摘要称证明所研究估计量的一致性和渐近正态性，并从理论、模拟与真实数据应用三个方面比较新程序与既有程序的效率。
- 阅读关注点
- 应核对空间观测窗口的渐近设定、子抽样区域与权重选择、K 函数估计误差的处理，以及效率比较采用的模型与指标。
- 阅读边界
- 仅依据所给 Crossref 摘要；具体空间依赖条件、子抽样方案及效率比较结果未说明，不能据此断言新方法普遍更有效。
原文摘要
Summary The K-function is a popular tool for fitting spatial point process models owing to its simplicity and wide applicability. In this work we study the properties of least squares estimators of model parameters and propose a new method of model fitting via the K-function by using subsampling. We demonstrate consistency and asymptotic normality of our estimators of model parameters and compare the efficiency of our procedure with existing procedures. This is done through asymptotic theory, simulation experiments and an application to a data set on long leaf pine-trees.