Consistency of modified LS estimation method for identifying 2-D noncausal SAR model parameters
Notice bibliographique
Résumé
There are two main methods for estimating the parameters of two-dimensional (2-D) noncausal simultaneous autoregressive (SAR) models. One is the least-squares (LS) and the other is the maximum likelihood (ML). The asymptotically unbiased and consistent ML, method is computationally unattractive even after some approximations have been introduced. On the other hand, the computationally efficient conventional LS method does not produce accurate parameter estimates in this case due to the noncausality of the models. In order to improve the estimation accuracy and keep the computational efficiency of the LS method, an unbiased modified LS estimator was recently proposed. However, a very important matter remains to be addressed. As of yet, a mathematical proof for the consistency of the modified LS estimator has not been presented anywhere in the literature. The results of previous computer simulation studies on this estimator have been based on only data sample windows of fixed sizes. The studies are limited by the fact that the variances and mean square errors of the parameter estimates as functions of the data window sizes could not be deduced from the results. Therefore, the results presented to date cannot be used to demonstrate either the consistency or the convergence properties of the estimator. Based on both analytical and experimental investigations, this paper proves the consistency of the modified LS estimator. A detailed theoretical analysis and a new numerical example are included in the paper. The experimental results corroborate the theoretical results.>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».