时空面域数据的贝叶斯建模与聚类：以意大利失业率为应用
统计方法学
2022-11-22 v2
摘要
时空面域数据可视为一组时间序列，这些序列依据特定的邻域结构具有空间相关性。将时间与空间维度纳入统计模型在底层理论框架以及高效计算方法的实现上均带来挑战。我们提出使用条件自回归先验纳入时空随机效应，其中时间相关性通过自回归均值分解建模，空间相关性由继承邻域结构的精度矩阵建模。它们的联合分布构成一个高斯马尔可夫随机场，其稀疏精度矩阵使得高效采样算法得以使用。我们使用非参数先验对面域单元进行聚类，从而学习面域单元的潜在划分。该模型的性能通过研究意大利地区失业模式的应用进行评估。与其他空间与时空竞争模型相比，所提模型给出了更精确的估计，且聚类获得的附加信息允许对意大利各省失业率进行扩展的经济学解释。
引用
@article{arxiv.2206.10509,
title = {Bayesian modeling and clustering for spatio-temporal areal data: An application to Italian unemployment},
author = {Alexander Mozdzen and Andrea Cremaschi and Annalisa Cadonna and Alessandra Guglielmi and Gregor Kastner},
journal= {arXiv preprint arXiv:2206.10509},
year = {2022}
}