Bayesian Geostatistics Using Predictive Stacking
利用预测堆叠的贝叶斯地统计分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：文本直接讨论空间随机场和地统计预测，未涉及所列宏观、微观或金融细分问题。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用预测堆叠的贝叶斯地统计分析
- 研究问题
- 如何在推断潜在空间随机场并预测任意位置时，降低完整贝叶斯抽样的计算成本，同时整合不同过程超参数下的推断信息？
- 方法与思路
- 作者利用给定过程参数时可解析的条件后验，在不同超参数取值对应的模型间堆叠后验均值或密度，避免 MCMC 并支持并行计算。
- 材料陈述的贡献
- 摘要称，文章提供固定区域加密采样渐近框架下的理论分析，且经验结果显示堆叠推断以较低计算成本达到与完整抽样推断相近的表现。
- 阅读关注点
- 应核对堆叠权重如何确定、超参数范围如何选择，以及均值堆叠与密度堆叠分别如何表达预测不确定性，并检查渐近结论的适用条件。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明。摘要未说明理论条件、预测校准与计算节省的具体数值，不能推断后续刊本变化。
原文摘要
We develop Bayesian predictive stacking for geostatistical models, where the primary inferential objective is to provide inference on the latent spatial random field and conduct spatial predictions at arbitrary locations. We exploit analytically tractable posterior distributions for regression coefficients of predictors and the realizations of the spatial process conditional upon process parameters. We subsequently combine such inference by stacking these models across the range of values of the hyper-parameters. We devise stacking of means and posterior densities in a manner that is computationally efficient without resorting to iterative algorithms such as Markov chain Monte Carlo (MCMC) and can exploit the benefits of parallel computations. We offer novel theoretical insights into the resulting inference within an infill asymptotic paradigm and through empirical results showing that stacked inference is comparable to full sampling-based Bayesian inference at a significantly lower computational cost.