一种用于地空间建模的低秩贝叶斯方法
统计方法学
2025-09-16 v1
摘要
克里金是地统计学中预测空间数据的 established 方法。当前克里金技术可以处理空间参考协变量的线性依赖性。虽然样条在捕捉协变量的非线性依赖性方面显示出前景,但其与克里金的结合,特别是在处理计数数据时,仍未得到充分探索。本文提出了一种新型的贝叶斯方法,用于地空间模型的 low-rank 表示,该方法将样条和克里金集成以消除空间相关性和协变量非线性依赖性。该方法适用于许多地空间数据集中的高斯数据和计数数据。此外,采用拉普拉斯近似对选定后验分布进行计算,以提高计算效率,使其在计算时间上快于通常用于贝叶斯推断的蒙特卡罗抽样技术。通过仿真研究评估了方法性能,证明了所提方法的有效性。该方法应用于对盆地河(Meuse 河)中重金属浓度以及对 2019 年新冠病毒(COVID-19)暴发脆弱性的分析。通过本工作,我们提供了一个新的灵活且计算效率高的分析空间数据框架。
引用
@article{arxiv.2407.05854,
title = {A Low-Rank Bayesian Approach for Geoadditive Modeling},
author = {Bryan Sumalinab and Oswaldo Gressani and Niel Hens and Christel Faes},
journal= {arXiv preprint arXiv:2407.05854},
year = {2025}
}