Bayesian Model Averaging for Spatial Autoregressive Models Based on Convex Combinations of Different Types of Connectivity Matrices
基于多类连通矩阵凸组合的空间自回归模型贝叶斯平均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：摘要通过多类连通矩阵刻画横截面依赖，并讨论空间自回归模型中的非线性影响，直接涉及网络连接结构。
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
基于多类连通矩阵凸组合的空间自回归模型贝叶斯平均
- 研究问题
- 面对地理与非地理等多类连通结构，如何选择空间权重矩阵的凸组合，并在推断参数和空间影响时处理模型不确定性？
- 方法与思路
- 作者以贝叶斯模型平均处理连通矩阵凸组合的选择，通过 MCMC 与 MH 引导的蒙特卡洛积分计算边际似然及后验模型概率。
- 材料陈述的贡献
- 作者将连通结构的模型不确定性纳入推断，并讨论模型平均参数估计、非线性偏导影响的标量汇总及其离散程度。
- 阅读关注点
- 重点核对权重矩阵的标准化、凸组合系数的可识别性、边际似然计算，以及模型平均影响量和不确定性的定义。
- 阅读边界
- 摘要未说明各连通矩阵的构造、先验设定及适用条件；模型平均权重与非线性影响量不能直接解释为因果效应。
原文摘要
There is a great deal of literature regarding use of nongeographically based connectivity matrices or combinations of geographic and non-geographic structures in spatial econometric models. We focus on convex combinations of weight matrices that result in a single weight matrix reflecting multiple types of connectivity, where coefficients from the convex combination can be used for inference regarding the relative importance of each type of connectivity in the global cross-sectional dependence scheme. We tackle the question of model uncertainty regarding selection of the best convex combination by Bayesian model averaging. We use Metropolis–Hastings guided Monte Carlo integration during MCMC estimation of the models to produce log-marginal likelihoods and associated posterior model probabilities. We focus on MCMC estimation, computation of posterior model probabilities, model averaged estimates of the parameters, scalar summary measures of the non-linear partial derivative impacts, and their associated empirical measures of dispersion.