高斯马尔可夫随机场与线性混合模型在卫星反演 PM2.5 评估中的比较：来自美国东北部的证据
应用统计
2019-03-27 v1
摘要
研究空气污染对健康的影响是环境流行病学的关键领域。准确估计空气污染效应需要具有时空分辨率的空气污染数据集，尤其是细颗粒物（PM）。卫星技术极大提升了对无法直接测量地点提供 PM 评估的能力。间接 PM 测量是一个统计预测问题。时空统计文献提供了多种预测模型：尤其是高斯随机场（GRF）与线性混合模型（LMM）。GRF 强调数据中的时空结构，但拟合计算量大。LMM 拟合计算较易，但需做些调整以处理空间与时间。时空统计文献近期进展提出用高斯马尔可夫随机场（GMRF）逼近 GRF，以缓解其计算负担。由于 LMM 与 GMRF 均计算可行，问题随之而来：何者在统计上更优？我们表明，尽管 LMM 在环境监测与污染评估中极受欢迎，但在美国东北部测量 PM 时，LMM 在统计上劣于 GMRF。
引用
@article{arxiv.1902.08486,
title = {Gaussian Markov Random Fields versus Linear Mixed Models for satellite-based PM2.5 assessment: Evidence from the Northeastern USA},
author = {Ron Sarafian and Itai Kloog and Allan C. Just and Johnathan D. Rosenblatt},
journal= {arXiv preprint arXiv:1902.08486},
year = {2019}
}