Tukey g -and- h Random Fields
Tukey g-and-h 随机场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：摘要研究非高斯空间随机场与降水预测，厚尾和预测措辞不足以归入金融风险或宏观预测。
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
Tukey g-and-h 随机场
- 研究问题
- 对于具有偏态或厚尾边际分布的空间数据，如何同时选择适当变换、估计空间模型，并开展异常值检测和带区间的空间预测？
- 方法与思路
- 作者构造 Tukey g-and-h 变换高斯随机场，采用近似似然进行高效估计，并发展空间极端异常检测、克里金和概率预测方法。
- 材料陈述的贡献
- 摘要称新模型具有灵活的边际分布，研究了随机场及极大似然估计的性质，并通过模拟和美国东南部降水数据展示预测表现。
- 阅读关注点
- 应核对变换参数与空间依赖如何联合估计、近似似然误差如何控制，以及预测区间和异常检测对厚尾程度的适用条件。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要，无法核对刊本变化；摘要未说明近似精度、预测改善幅度或极端异常检测的误报控制。
原文摘要
We propose a new class of transGaussian random fields named Tukey g-and-h (TGH) random fields to model non-Gaussian spatial data. The proposed TGH random fields have extremely flexible marginal distributions, possibly skewed and/or heavy-tailed, and, therefore, have a wide range of applications. The special formulation of the TGH random field enables an automatic search for the most suitable transformation for the dataset of interest while estimating model parameters. Asymptotic properties of the maximum likelihood estimator and the probabilistic properties of the TGH random fields are investigated. An efficient estimation procedure, based on maximum approximated likelihood, is proposed and an extreme spatial outlier detection algorithm is formulated. Kriging and probabilistic prediction with TGH random fields are developed along with prediction confidence intervals. The predictive performance of TGH random fields is demonstrated through extensive simulation studies and an application to a dataset of total precipitation in the south east of the United States. Supplementary materials for this article are available online.