利用加法近似探索空间非线性

我们提出用加法函数来近似空间随机变量在其最近邻观测值条件下的条件期望。该设定在实践中具有重要意义且不需要单向排序。它能够捕捉空间数据中的非线性特征并探索局部依赖结构。我们的方法不同于马尔可夫场方法和析取克里金法。通过将回代 (backfitting) 过程理论扩展到空间情形，建立了$\alpha$-混合空间过程中加法估计量的渐近性质。尽管渐近偏差必须通过 (wild) bootstrap 进行估计，但这促进了分量函数置信区间的构建。报告了模拟结果。对真实数据的应用表明，当非线性或非高斯性显著时，相较于自正态方案，该方法在描述数据方面有显著改进。