Canadian Journal of Statistics

Spatial Mallows model averaging for geostatistical models

Early View

Résumé Des progrès importants ont été réalisés au cours des dernières décennies à propos des méthodes d'intégration pondérée de modèles. Toutefois, l'idée d'intégration pondérée de modèles a été mal appliquée dans le cas des données spatiales. Les auteurs étudient les méthodes d'intégration pour le modèle spatial linéaire géostatistique. Ils proposent un critère de Mallows spatial pour choisir les poids d'un estimateur intégré qui peut alors atteindre l'optimalité asymptotique en termes de perte L2. Ils présentent également des expériences de simulation qui révèlent que leur estimateur est supérieur à celui obtenu avec le critère de Mallows développé pour les modèles linéaires ordinaires [Hansen, 2007], ainsi qu'à celui basé sur la sélection de modèle par le critère d'information d'Akaike corrigé dédié aux modèles géostatistiques linéaires [Hoeting et al., 2006]. La revue canadienne de statistique 00: 000‐000; 2019 © 2019 Société statistique du Canada

Related Topics

Related Publications

Related Content

Site Footer

Address:

This website is provided by John Wiley & Sons Limited, The Atrium, Southern Gate, Chichester, West Sussex PO19 8SQ (Company No: 00641132, VAT No: 376766987)

Published features on StatisticsViews.com are checked for statistical accuracy by a panel from the European Network for Business and Industrial Statistics (ENBIS)   to whom Wiley and StatisticsViews.com express their gratitude. This panel are: Ron Kenett, David Steinberg, Shirley Coleman, Irena Ograjenšek, Fabrizio Ruggeri, Rainer Göb, Philippe Castagliola, Xavier Tort-Martorell, Bart De Ketelaere, Antonio Pievatolo, Martina Vandebroek, Lance Mitchell, Gilbert Saporta, Helmut Waldl and Stelios Psarakis.