利用局部 C-vine 进行空间复合似然推断
统计方法学
2014-07-04 v1
摘要
我们提出了一种基于 vine copula 的复合似然方法来建模空间依赖性，该方法允许在任意位置进行预测。这种方法结合了建模（空间）依赖性的成熟方法。一方面，应用了利用变量位置之间的空间差异来建模空间依赖性程度的地统计概念。另一方面，利用灵活的 C-vine copula 类来局部建模空间依赖结构。这些局部 C-vine copula 被联合参数化，利用了 copula 参数与相应空间距离和高程差之间的现有关系，并在复合似然方法中进行组合。这种称为空间局部 C-vine 复合似然（S-LCVCL）的新方法受益于其能够捕捉非高斯依赖结构的事实。新方法的开发和验证使用了一套在德国分布的 73 个观测站观测的日平均温度数据集进行说明。验证使用了连续排序概率得分。与 Erhardt、Czado 和 Schepsmeier (2014) 尚未发表的工作中引入的另外两种空间依赖性建模方法的比较显示，局部 C-vine 复合似然方法更受青睐。
引用
@article{arxiv.1407.0886,
title = {Spatial composite likelihood inference using local C-vines},
author = {Tobias Michael Erhardt and Claudia Czado and Ulf Schepsmeier},
journal= {arXiv preprint arXiv:1407.0886},
year = {2014}
}