Maximum Likelihood Estimation of Parameters under a Spatial Sampling Scheme
空间抽样方案下的参数极大似然估计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：材料研究空间高斯随机场的似然理论，未直接对应所列时间序列、面板或经济网络方向。
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
空间抽样方案下的参数极大似然估计
- 研究问题
- 对具有乘积型 Ornstein–Uhlenbeck 协方差的二维高斯随机场，空间格点抽样如何影响极大似然估计的渐近性质？
- 方法与思路
- 作者在完整格点抽样方案下研究似然得分方程，通过高阶展开建立估计量的极限理论，并将分析扩展到更高维随机场。
- 材料陈述的贡献
- 摘要称估计量强一致且按样本量四次方根归一化后渐近正态，并称在所研究的高维扩展中收敛速度随维度提高而改善。
- 阅读关注点
- 应核对空间抽样域如何变化、各参数的归一化方式、协方差模型限制，以及高维结果依赖的格点结构和展开条件。
- 阅读边界
- 索引摘要稿件版本未注明，也未说明空间渐近方案与参数范围；不能将其收敛速度结论推广到任意协方差或空间设计。
原文摘要
We study in detail asymptotic properties of maximum likelihood estimators of parameters when observations are taken from a two-dimensional Gaussian random field with a multiplicative Ornstein-Uhlenbeck covariance function. Under the complete lattice sampling plan, it is shown that the maximum likelihood estimators are strongly consistent and asymptotically normal. The asymptotic normality here is normalized by the fourth root of the sample size and is obtained through higher order expansions of the likelihood score equations. Extensions of these results to higher-dimensional processes are also obtained, showing that the convergence rate becomes better as the dimension gets higher.