Spatial disaggregation of time series
时间序列的空间分解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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要以经济总量时间序列的时空分解和地区 GDP 序列估计为研究对象。
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…
时间序列的空间分解
- 研究问题
- 如何把经济总量时间序列分解为区域序列，同时保留空间溢出和时间动态，并利用不完整的区域观测确保分解结果与已知总量一致？
- 方法与思路
- 作者结合空间自回归模型、总量约束和辅助协变量，以锚定机制纳入部分区域数据，并在西班牙地区 GDP 应用中使用主成分降维。
- 材料陈述的贡献
- 摘要称，方法在包括非高斯与异方差残差的条件下具有可识别性和渐近正态性，模拟与地区 GDP 应用展示其空间分解能力。
- 阅读关注点
- 应核对空间权重、总量约束及锚定机制的定义，识别与渐近分析的条件，以及区域估计精度、预测方差和模拟比较的评价方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核验；摘要未列出具体正则条件、精度数值或区域缺失机制，不能据此判断普遍适用性。
原文摘要
Spatiotemporal modeling of economic aggregates is increasingly relevant in regional science due to the presence of both spatial spillovers and temporal dynamics. Traditional temporal disaggregation methods, such as Chow-Lin, often ignore spatial dependence, potentially losing important regional information. We propose a novel methodology for spatiotemporal disaggregation, integrating spatial autoregressive models, benchmarking restrictions, and auxiliary covariates. The approach accommodates partially observed regional data through an anchoring mechanism, ensuring consistency with known aggregates while reducing prediction variance. We establish identifiability and asymptotic normality of the estimator under general conditions, including non-Gaussian and heteroskedastic residuals. Extensive simulations confirm the method's robustness across a wide range of spatial autocorrelations and covariate informativeness. The methodology is illustrated by disaggregating Spanish GDP into 17 autonomous communities from 2002 to 2023, using auxiliary indicators and principal component analysis for dimensionality reduction. This framework extends classical temporal disaggregation to the spatial domain, providing accurate regional estimates while accounting for spatial spillovers and irregular data availability.