Sufficient Dimension Reduction for Spatial point Processes Directed by Gaussian Random Fields
高斯随机场驱动空间点过程的充分降维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：摘要研究空间点过程的降维，未涉及经济网络、面板或其他所列细分领域。
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
高斯随机场驱动空间点过程的充分降维
- 研究问题
- 对于高斯随机场驱动的非齐次空间点过程，如何定义与估计充分降维子空间，并确定其结构维度？
- 方法与思路
- 作者引入各阶中心强度子空间，将逆回归方法扩展至空间点过程，并提出判断中心子空间维度的图形与正式检验方法。
- 材料陈述的贡献
- 摘要称许多常见模型的中心子空间等同于一阶中心强度子空间，且维度判断方法无需指定协变量与点过程的相关结构模型。
- 阅读关注点
- 应核对子空间定义、与一阶子空间等价的模型条件、逆回归估计步骤，以及不指定相关结构时检验仍需哪些假设。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断所称常见模型的完整范围、检验有效性条件或模拟与两个实际案例的具体表现。
原文摘要
Summary We develop a sufficient dimension reduction paradigm for inhomogeneous spatial point processes driven by Gaussian random fields. Specifically, we introduce the notion of the kth-order central intensity subspace. We show that a central subspace can be defined as the combination of all central intensity subspaces. For many commonly used spatial point process models, we find that the central subspace is equivalent to the first-order central intensity subspace. To estimate the latter, we propose a flexible framework under which most existing benchmark inverse regression methods can be extended to the spatial point process setting. We develop novel graphical and formal testing methods to determine the structural dimension of the central subspace. These methods are extremely versatile in that they do not require any specific model assumption on the correlation structures of the covariates and the spatial point process. To illustrate the practical use of the methods proposed, we apply them to both simulated data and two real examples.