样本网格成对似然法 (SG-PL)：大规模空间回归的高效方法
统计方法学
2025-07-11 v1 统计计算
摘要
在大规模、非规则结构数据集上估计空间回归模型面临着显著的计算挑战。虽然成对似然 (Pairwise Likelihood, PL) 方法提供了简化这些估计的途径，但在数据volume和复杂度增长时，有效选择信息丰富观测对的选择仍然是一个关键挑战。本文引入样本网格成对似然法 (Sampled Grid Pairwise Likelihood, SG-PL) 方法，一种新颖的方法，采用基于网格的抽样策略来战略性地选择观测对。仿真研究表明，SG-PL 的主要优势是相对于基准方法将计算时间大幅减少——常常降低几个数量级。这一显著的加速是在可接受的统计效率权衡下实现的。一个经验应用进一步验证了 SG-PL 的实际实用性。因此，SG-PL 作为一种高度可扩展且有效的大规模数据空间分析工具，提供了一个引人注目的平衡点，在计算可行性获得实质性收益的同时，仅以有限的统计精度代价来换取。
引用
@article{arxiv.2507.07113,
title = {Sampled Grid Pairwise Likelihood (SG-PL): An Efficient Approach for Spatial Regression on Large Data},
author = {Giuseppe Arbia and Vincenzo Nardelli and Niccolo Salvini},
journal= {arXiv preprint arXiv:2507.07113},
year = {2025}
}