空间变系数模型的最大似然估计及其在大数据与房地产价格预测中的应用
统计方法学
2020-11-13 v5 应用统计
摘要
在空间数据回归模型中，常假定协变量对响应的边际效应在空间上恒定。实践中该假定常受质疑。本文展示如何基于高斯过程的空间变系数（SVC）模型可通过最大似然估计（MLE）进行估计。此外，我们提出一种通过协方差锥化（covariance tapering）扩展到大数据的方法。我们在模拟研究及一项预测瑞士房地产公寓价格的应用中，将我们的方法与现有方法（如基于随机偏微分方程（SPDE）联系的贝叶斯方法、地理加权回归（GWR）和特征向量空间滤波（ESF））进行比较。模拟与应用结果均表明，MLE方法提升了预测精度并给出更精确的估计。由于我们采用基于模型的方法，还可提供预测方差。与现有基于模型的方法相比，我们的方法更适用于空间点数量大且空间变协变量数量中等（如大于十）的数据。
引用
@article{arxiv.2001.08089,
title = {Maximum Likelihood Estimation of Spatially Varying Coefficient Models for Large Data with an Application to Real Estate Price Prediction},
author = {Jakob A. Dambon and Fabio Sigrist and Reinhard Furrer},
journal= {arXiv preprint arXiv:2001.08089},
year = {2020}
}
备注
revision: 35 pages, 14 figures, typo in likelihood corrected, DOI added