Least Squares Variogram Fitting by Spatial Subsampling
利用空间子抽样进行最小二乘变差函数拟合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：摘要针对空间随机场的变差函数及空间回归，未明确涉及网络连接或干扰机制，不能据空间相关归入网络与干扰。
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
利用空间子抽样进行最小二乘变差函数拟合
- 研究问题
- 如何对空间数据拟合有效的变差函数模型，在保持统计效率的同时，降低广义最小二乘拟合所需的计算负担？
- 方法与思路
- 作者提出基于空间子抽样的最小二乘拟合方法，允许采用不同的基础变差函数估计量，并减少所需的解析计算。
- 材料陈述的贡献
- 摘要称该方法在包含广义最小二乘的一类方法中具有统计效率且计算更简单，并报告空间回归扩展及有限样本模拟。
- 阅读关注点
- 应核对子抽样区域与尺度的选择、效率比较所限定的方法类、随机场正则条件，以及变差函数估计有效性的含义。
- 阅读边界
- 依据所给 Crossref 摘要版本；摘要未列明所谓温和条件、效率准则和计算成本，不能据此断言对所有空间拟合方法均占优。
原文摘要
Summary Least squares methods are popular for fitting valid variogram models to spatial data. The paper proposes a new least squares method based on spatial subsampling for variogram model fitting. We show that the method proposed is statistically efficient among a class of least squares methods, including the generalized least squares method. Further, it is computationally much simpler than the generalized least squares method. The method produces valid variogram estimators under very mild regularity conditions on the underlying random field and may be applied with different choices of the generic variogram estimator without analytical calculation. An extension of the method proposed to a class of spatial regression models is illustrated with a real data example. Results from a simulation study on finite sample properties of the method are also reported.