基于变换高斯马尔可夫随机场的不可分离时空模型
统计方法学
2020-05-13 v1 应用统计
摘要
能够刻画空间与时间动态的模型适用于许多科学领域。文献中引入了不可分离时空模型以捕捉这些特征。然而，这些模型在构建与解释上通常较为复杂。我们引入了一类不可分离的变换高斯马尔可夫随机场（TGMRF），其依赖结构灵活，并有助于对空间、时间以及时空参数进行简单解释。此外，TGMRF 模型具有允许专家在模型构建中定义任意期望边际分布而不受时空混杂影响的优势。因此，在 TGMRF 框架下使用时空模型催生了一类新的通用模型，例如时空 Gamma 随机场，可直接用于对时空数据的 Poisson 强度建模。所提出的模型被用于识别影响 Nenia tridens（一个受充分研究的热带生态系统中的优势蜗牛物种）丰度变化的重要环境特征，并刻画其空间与时间趋势，这些在由人类引起的与气候和土地利用相关的环境变化所表征的人类世时期尤为关键。
引用
@article{arxiv.2005.05464,
title = {Non-Separable Spatio-temporal Models via Transformed Gaussian Markov Random Fields},
author = {Douglas R. M. Azevedo and Marcos O. Prates and Michael R. Willig},
journal= {arXiv preprint arXiv:2005.05464},
year = {2020}
}
备注
15 pages, 3 figures, 4 tables