Bayesian modeling and clustering for spatio-temporal areal data: An application to Italian unemployment
时空区域数据的贝叶斯建模与聚类：意大利失业率应用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：摘要把区域失业率数据描述为具有空间相关的一组时间序列，并研究区域宏观劳动市场指标，支持宏观面板和时间序列分类。
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…
时空区域数据的贝叶斯建模与聚类：意大利失业率应用
- 研究问题
- 如何同时刻画区域失业率的时间相关、邻接区域之间的空间相关，以及区域之间潜在的分组结构并支持经济解释？
- 方法与思路
- 作者结合条件自回归先验、时间自回归均值分解和邻接结构精度矩阵，以稀疏高斯马尔可夫随机场及非参数先验完成推断与聚类。
- 材料陈述的贡献
- 摘要称模型在意大利区域失业率应用中，相比所选空间及时空模型获得更精确的估计，聚类结果还提供了额外的经济解释。
- 阅读关注点
- 应核对时空随机效应的具体参数化、非参数聚类先验、采样算法，以及比较模型、精度指标和失业率分组的稳定性。
- 阅读边界
- 这是 arXiv 预印本，不能认定已同行评审或期刊接收；摘要未说明样本期间、评价指标及不确定性，精度优势仅是作者陈述。
原文摘要
Spatio-temporal areal data can be seen as a collection of time series which are spatially correlated according to a specific neighboring structure. Incorporating the temporal and spatial dimension into a statistical model poses challenges regarding the underlying theoretical framework as well as the implementation of efficient computational methods. We propose to include spatio-temporal random effects using a conditional autoregressive prior, where the temporal correlation is modeled through an autoregressive mean decomposition and the spatial correlation by the precision matrix inheriting the neighboring structure. Their joint distribution constitutes a Gaussian Markov random field, whose sparse precision matrix enables the usage of efficient sampling algorithms. We cluster the areal units using a nonparametric prior, thereby learning latent partitions of the areal units. The performance of the model is assessed via an application to study regional unemployment patterns in Italy. When compared to other spatial and spatio-temporal competitors, the proposed model shows more precise estimates and the additional information obtained from the clustering allows for an extended economic interpretation of the unemployment rates of the Italian provinces.