Bayesian Nonparametric Spatial Modeling With Dirichlet Process Mixing
基于狄利克雷过程混合的贝叶斯非参数空间建模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：摘要属于空间统计与降水应用；空间依赖和空间预测本身不足以对应经济网络或宏观预测分类。
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…
基于狄利克雷过程混合的贝叶斯非参数空间建模
- 研究问题
- 如何为连续点位空间数据构造既非高斯又非平稳的随机过程，并在贝叶斯框架下开展后验推断与空间预测？
- 方法与思路
- 作者先建立空间狄利克雷过程，再通过与纯误差过程卷积引入混合，研究模型性质，并使用 Gibbs 抽样进行后验推断。
- 材料陈述的贡献
- 摘要称，论文提出非高斯、非平稳的空间混合模型，讨论空间预测的处理，并以模拟及法国南部降水数据展示方法。
- 阅读关注点
- 应核对空间依赖的构造、直接使用狄利克雷过程的局限、误差卷积的作用，以及后验计算和空间预测的具体实现。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；先验设定、计算诊断和预测比较未提供，不能据此判断普遍优于高斯过程或推断刊本变化。
原文摘要
Customary modeling for continuous point-referenced data assumes a Gaussian process that is often taken to be stationary. When such models are fitted within a Bayesian framework, the unknown parameters of the process are assumed to be random, so a random Gaussian process results. Here we propose a novel spatial Dirichlet process mixture model to produce a random spatial process that is neither Gaussian nor stationary. We first develop a spatial Dirichlet process model for spatial data and discuss its properties. Because of familiar limitations associated with direct use of Dirichlet process models, we introduce mixing by convolving this process with a pure error process. We then examine properties of models created through such Dirichlet process mixing. In the Bayesian framework, we implement posterior inference using Gibbs sampling. Spatial prediction raises interesting questions, but these can be handled. Finally, we illustrate the approach using simulated data, as well as a dataset involving precipitation measurements over the Languedoc-Roussillon region in southern France.