用于多位置数据集空间极值灵活建模的层次化变换尺度混合模型

允许尾依赖类别之间过渡的灵活空间模型近来已出现于文献中。然而，由于必须重复计算多元高斯分布函数，这些模型的推断在计算上令人望而却步，即便在中等维度下亦然。在本工作中，我们通过修正一类基于尺度混合高斯过程的既有模型，试图实现空间过程极值的真正高维推断，同时保留尾依赖结构中令人满意的灵活性。我们表明原模型所需的极值依赖性质在修正下得以保持，并证明相应的贝叶斯层次模型不涉及多元高斯分布函数的昂贵计算。我们将模型拟合于高阈值的超越值，并执行覆盖分析与跨模型检验以验证其捕捉不同类型尾特征的能力。我们使用标准自适应Metropolis算法进行模型拟合，并通过并行化与Rcpp进一步加速计算。最后，我们将该模型应用于美国大平原地区火灾威胁指数数据集，该地区易受大规模破坏性野火影响。我们发现火灾威胁指数的联合尾部表现出衰减的依赖结构，这是极限极值模型所无法捕捉的。