NONPARAMETRIC PREDICTION WITH SPATIAL DATA
空间数据的非参数预测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：摘要讨论空间数据预测，但未明确时间序列、网络溢出或金融收益预测结构，现有领域细分不足以直接对应。
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
空间数据的非参数预测
- 研究问题
- 研究如何对空间数据进行非参数预测，并考察基于谱密度分解的预测算法在渐近理论、有限样本及房价应用中的表现。
- 方法与思路
- 作者基于谱密度函数的典范分解构造预测算法，通过理论分析和蒙特卡洛比较评估其性质，并用于预测洛杉矶房价。
- 材料陈述的贡献
- 摘要称，预测器具有良好的渐近性质，并提供与基于无限阶自回归表示的另一非参数方法的模拟比较及房价预测应用。
- 阅读关注点
- 应核对空间索引与依赖结构、谱密度分解的存在条件、预测器如何实现，以及模拟和房价应用采用何种预测损失与验证方式。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确定具体渐近结论或预测增益；摘要未说明空间采样结构，也未给出方法比较的数值结果。
原文摘要
We describe a (nonparametric) prediction algorithm for spatial data, based on a canonical factorization of the spectral density function. We provide theoretical results showing that the predictor has desirable asymptotic properties. Finite sample performance is assessed in a Monte Carlo study that also compares our algorithm to a rival nonparametric method based on the infinite $AR$ representation of the dynamics of the data. Finally, we apply our methodology to predict house prices in Los Angeles.