利用空间聚合误差准则对多尺度空间过程进行区域化
统计方法学
2015-12-11 v2
摘要
可修改面积单元问题和生态学谬误是建模多尺度空间过程时已知的问题。我们研究了这些形式的空间聚合误差如何指导感兴趣空间域上的区域化。所谓“区域化”，我们指的是定义面状数据空间支撑的地理划分。地理学家对此课题进行了深入研究，但空间统计学家对其关注较少。因此，我们提出了一个空间聚合误差准则 (CAGE)，通过最小化该准则来获得最优区域化。为了定义 CAGE，我们在空间聚合误差与 Karhunen-Loeve (K-L) 展开的一种新的多尺度表示之间建立了联系。CAGE 与多尺度 K-L 展开之间的这种关系带来了富有启发性的理论进展，包括：空间聚合误差、平方预测误差、空间方差之间的联系，以及 Obled-Creutin 特征函数的新颖扩展。通过对两个数据集的分析证明了该方法的有效性，其中一个使用美国社区调查数据，另一个涉及环境海洋风数据。
引用
@article{arxiv.1502.01974,
title = {Regionalization of Multiscale Spatial Processes using a Criterion for Spatial Aggregation Error},
author = {Jonathan R. Bradley and Christopher K. Wikle and Scott H. Holan},
journal= {arXiv preprint arXiv:1502.01974},
year = {2015}
}