Score-Driven Modeling of Spatio-Temporal Data
时空数据的得分驱动建模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：摘要明确采用自回归结构和条件似然得分递推描述时间动态，直接关联时间序列建模。
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…
时空数据的得分驱动建模
- 研究问题
- 当时空数据同时存在空间依赖、时间依赖和厚尾时，如何动态更新信号位置，并在考虑这些依赖后识别极端观测？
- 方法与思路
- 作者构造带自回归扰动的同时自回归得分驱动模型，将空间滤波过程分为信号与多元Student-t噪声，以条件似然得分更新。
- 材料陈述的贡献
- 摘要称厚尾设定下得分可提供稳健的位置更新，并推导极大似然估计的一致性与渐近正态性，应用于静息态脑成像。
- 阅读关注点
- 核对空间滤波、信号递推及厚尾参数的设定，检查模型随机性质和极大似然理论条件，以及极值对应脑区激活的判定方式。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；得分更新的稳健性依赖具体模型，脑成像应用不直接支持金融尾部风险结论。
原文摘要
A simultaneous autoregressive score-driven model with autoregressive disturbances is developed for spatio-temporal data that may exhibit heavy tails. The model specification rests on a signal plus noise decomposition of a spatially filtered process,where the signal can be approximated by a nonlinear function of the past variables and a set of explanatory variables, while the noise follows a multivariate Student-t distribution. The key feature of the model is that the dynamics of the space-time varying signal are driven by the score of the conditional likelihood function.When the distribution is heavy-tailed, the score provides a robust update of the space-time varying location. Consistency and asymptotic normality ofmaximum likelihood estimators are derived along with the stochastic properties of the model. The motivating application of the proposed model comes from brain scans recorded through functional magnetic resonance imaging when subjects are at rest and not expected to react to any controlled stimulus. We identify spontaneous activations in brain regions as extreme values of a possibly heavy-tailed distribution, by accounting for spatial and temporal dependence.