基于共价函数的气体污染数据时空建模：纳入协变量依赖性
应用统计
2025-03-21 v1
摘要
PM10 的浓度升高已知会导致严重的呼吸系统和心血管疾病，甚至在极端情况下导致癌症和死亡。尽管在不同部门实施了各种减排政策，但韩国的 PM10 浓度仍持续超过世界卫生组织设定的年度推荐限值。PM10 的时空浓度可能表现出空间和时间依赖性。此外，PM10 与环境因素之间的相互作用可能进一步影响 PM10 的变异性。因此，本研究提出了一种方法，将协变量的时空邻居纳入其中，同时也纳入 PM10 的时空邻居，通过解释时空相互作用的时空邻居来实现。采用 Vine 共价函数将给定位置及其周围时空邻居之间的两两依赖结构整合。我们将模型应用于 2019 年韩国的每周 PM10 数据，使用 PM2.5 和 CO 作为协变量。鉴于这三个变量都呈偏斜分布，我们假设 Gumbel 分布和广义极值分布作为边际分布。该模型在预测极端值（尤其是最高 5%）方面优于传统贝叶斯时空模型、克里金法以及另一种共价函数方法，能够有效捕捉到对极端值分析至关重要的尾部依赖性。本研究突显了利用 Vine 共价函数有效建模时空数据中复杂依赖结构的重要性，同时能够同时容纳空间和时间维度，包括协变量之间的时空依赖性。结果强调了该方法在其他存在复杂依赖结构的领域的更广泛适用性。
引用
@article{arxiv.2503.15935,
title = {Copula-based spatio-temporal modeling of air pollutant data incorporating covariate dependencies},
author = {Soyun Jeon and Jungsoon Choi},
journal= {arXiv preprint arXiv:2503.15935},
year = {2025}
}