glmSTARMA -- An R-Package for fitting autoregressive spatio-temporal models following generalized linear models
glmSTARMA：广义线性时空自回归模型的 R 包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：摘要明确涉及时空自回归、滞后条件均值和预测功能，对应时间序列与预测；未提供将波动率建模限定为金融应用的依据。
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…
glmSTARMA：广义线性时空自回归模型的 R 包
- 研究问题
- 固定地点且空间依赖结构不随时间变化的数据，如何统一建模均值与离散程度的时空动态，并支持连续响应、计数响应及预测？
- 方法与思路
- 作者以广义线性模型组织时空自回归，使均值依赖过去观测、滞后条件期望和协变量，并用双重广义线性模型处理离散参数。
- 材料陈述的贡献
- 摘要称软件包统一若干空间计数序列方法，并新增离散程度动态建模，可表达时空 GARCH 及过度或不足离散过程，提供估计和预测功能。
- 阅读关注点
- 应核对空间权重与固定依赖结构的设定、均值和离散参数的链接函数、动态过程的稳定性，以及估计、推断与预测的适用条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明具体分布、稳定性条件、软件性能或预测效果，不能据功能列表判断实际可靠性。
原文摘要
The R package glmSTARMA implements autoregressive models for spatio-temporal data at fixed locations, with time-invariant spatial dependency structure. We rely on generalized linear models methodology and unify several approaches for the analysis of spatial count time series. Such models allow the (conditional) mean of the response to depend on past observations, lagged (conditional) expectations, and covariates. The response can be a continuous or a discrete random variable. Additionally, the package develops inference for double generalized linear models, allowing the dispersion parameter(s) of the marginal distributions to be modeled similarly to the mean process. This is a new capability which introduces, for example, spatio-temporal volatility models, such as space-time GARCH processes, and count time series models with spatio-temporal overdispersion and underdispersion. We provide functions for model estimation, simulation, inference, and prediction. Its use is illustrated by data examples.