Joint leave-group-out cross-validation in Bayesian spatial models
贝叶斯空间模型中的联合留组交叉验证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：摘要核心是空间模型的交叉验证评分；时间序列仅作为既有研究背景，所列领域没有直接对应的空间预测类别，故留空。
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…
贝叶斯空间模型中的联合留组交叉验证
- 研究问题
- 对于具有空间相关、观测不可交换的数据，留出整块观测后进行联合预测评分，是否比逐点评分再汇总更能稳定评价模型并支持模型选择？
- 方法与思路
- 作者在具有高斯协方差结构的空间模型中比较分块交叉验证的联合与逐点评分，通过多个实验考察评分方式对评价变异和模型选择表现的影响。
- 材料陈述的贡献
- 摘要称，实验提示联合评分可降低交叉验证估计的变异，使模型选择更可靠，尤其在空间依赖较强且模型差异较细微的情况下。
- 阅读关注点
- 应核对留出组的构造、联合与逐点评分函数的定义、两者对应的预测任务，以及实验中的协方差设定、模型差异和选择可靠性的衡量方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要给出的是实验提示，未说明一般理论保证；结论不能直接推广到所有空间模型、分块规则或评分函数。
原文摘要
Cross-validation (CV) is a widely-used method of predictive assessment based on repeated model fits to different subsets of the available data. CV is applicable in a wide range of statistical settings. However, in cases where data are not exchangeable, the design of CV schemes should account for suspected correlation structures within the data. CV scheme designs include the selection of left-out blocks and the choice of scoring function for evaluating predictive performance. This paper focuses on the impact of two scoring strategies for block-wise CV applied to spatial models with Gaussian covariance structures. We investigate, through several experiments, whether evaluating the predictive performance of blocks of left-out observations jointly, rather than aggregating individual (pointwise) predictions, improves model selection performance. Extending recent findings for data with serial correlation (such as time-series data), our experiments suggest that joint scoring reduces the variability of CV estimates, leading to more reliable model selection, particularly when spatial dependence is strong and model differences are subtle.