Explorer l'estimation du rétrécissement des matrices de covariance à haute dimension, en comparant les approches linéaires et non linéaires pour une meilleure précision.
Couvre les distributions communes, les fonctions génératrices de temps et les matrices de covariance dans les statistiques pour la science des données.
Introduit une autocorrélation spatiale, en se concentrant sur la mesure des relations spatiales dans un voisinage et en utilisant le I de Moran comme coefficient de régression.
