Point and Interval Estimation of Variogram Models Using Spatial Empirical Likelihood
利用空间经验似然进行变差函数模型的点估计与区间估计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：摘要研究空间变差函数与经验似然，未明确对应时间序列、金融波动率或其他所列细分方向。
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…
关注这篇论文的作者
利用空间经验似然进行变差函数模型的点估计与区间估计
- 研究问题
- 对于网格空间数据，如何估计变差函数参数并构造置信区域，避免依赖空间方差估计或完整联合分布的指定？
- 方法与思路
- 作者提出空间分块经验似然，分析其大样本性质并进行有限样本模拟，还将框架扩展至空间趋势和变差函数参数的联合推断。
- 材料陈述的贡献
- 摘要称点估计无需计算空间方差估计，且大样本效率与最佳最小二乘估计相当；置信区域无需知道完整空间联合分布。
- 阅读关注点
- 应核对分块方式与块大小、空间依赖条件、效率比较对象，以及经验似然置信区域和趋势参数联合推断的校准方法。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；无需完整联合分布不意味着无需依赖条件，具体假定及有限样本结果未说明，不能推断刊本变化。
原文摘要
We present a spatial blockwise empirical likelihood method for estimating variogram model parameters in the analysis of spatial data on a grid. The method produces point estimators that require no spatial variance estimates to compute, unlike least squares methods for variogram fitting, but are as efficient as the best least squares estimator in large samples. Our approach also produces confidence regions for the variogram, without requiring knowledge of the full joint distribution of the spatial data. In addition, the empirical likelihood formulation extends to spatial regression problems and allows simultaneous inference on both spatial trend and variogram parameters. We examine the asymptotic behavior of the estimator analytically, and investigate its behavior in finite samples through simulation studies.