面向广泛非高斯空间数据的组合扭曲加性混合建模
统计方法学
2021-06-23 v2
摘要
随着地理信息系统的发展，非高斯空间数据集正变得更大且更多样。本研究开发了一个快速且灵活的非高斯回归通用框架，尤其针对空间/时空建模。所开发的模型称为组合扭曲加性混合模型（compositionally-warped additive mixed model, CAMM），它结合了加性混合模型（AMM）与组合扭曲高斯过程，以建模包括空间效应及其他效应在内的广泛非高斯连续数据。所提 CAMM 的一个具体优势是，与现有 AMM 不同，它无需对数据分布作显式假设。蒙特卡洛实验显示了 CAMM 在建模含厚尾和/或偏态分布的非高斯数据时的估计精度与计算效率。最后，将该模型应用于犯罪数据以检验回归分析与预测的经验性能。结果表明，CAMM 提供了直观合理的系数估计，且在预测精度上优于 AMM。CAMM 被验证为一种快速且灵活的模型，有望覆盖广泛的非高斯数据建模。所提方法已在 R 包 spmoran 中实现。
引用
@article{arxiv.2101.03684,
title = {Compositionally-warped additive mixed modeling for a wide variety of non-Gaussian spatial data},
author = {Daisuke Murakami and Mami Kajita and Seiji Kajita and Tomoko Matsui},
journal= {arXiv preprint arXiv:2101.03684},
year = {2021}
}