Penalized maximum likelihood estimation and variable selection in geostatistics
地统计学中的惩罚最大似然估计与变量选择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：摘要聚焦空间回归与变量选择，空间相关本身不足以归入网络、面板或其他所列细分。
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
地统计学中的惩罚最大似然估计与变量选择
- 研究问题
- 在带高斯过程误差的空间线性模型中，如何同时选择协变量与估计参数，并减轻大样本下的计算负担？
- 方法与思路
- 作者提出惩罚最大似然及一步稀疏近似，再引入协方差截 taper 近似降低计算成本，重点考察 SCAD 等惩罚函数。
- 材料陈述的贡献
- 摘要称，建立了这些方法的一致性、稀疏性、渐近正态性和预言性质，并通过模拟及两个真实数据集作展示。
- 阅读关注点
- 应核对空间渐近框架、惩罚参数和协方差截 taper 的条件，以及一步近似保留理论性质与节省计算的具体边界。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未列理论条件、数据内容和数值比较，不能据此断言任意空间模型均适用。
原文摘要
We consider the problem of selecting covariates in spatial linear models with Gaussian process errors. Penalized maximum likelihood estimation (PMLE) that enables simultaneous variable selection and parameter estimation is developed and, for ease of computation, PMLE is approximated by one-step sparse estimation (OSE). To further improve computational efficiency, particularly with large sample sizes, we propose penalized maximum covariance-tapered likelihood estimation (PMLET) and its one-step sparse estimation (OSET). General forms of penalty functions with an emphasis on smoothly clipped absolute deviation are used for penalized maximum likelihood. Theoretical properties of PMLE and OSE, as well as their approximations PMLET and OSET using covariance tapering, are derived, including consistency, sparsity, asymptotic normality and the oracle properties. For covariance tapering, a by-product of our theoretical results is consistency and asymptotic normality of maximum covariance-tapered likelihood estimates. Finite-sample properties of the proposed methods are demonstrated in a simulation study and, for illustration, the methods are applied to analyze two real data sets.