Non-Gaussian spatiotemporal modelling through scale mixing
通过尺度混合构建非高斯时空模型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：摘要研究温度数据的空间时间建模，未涉及宏观预测、金融波动率或其他指定经济学领域。
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
通过尺度混合构建非高斯时空模型
- 研究问题
- 如何为连续时空数据构建具有非可分离协方差的非高斯模型，同时容纳异常观测和局部方差增大区域并开展预测？
- 方法与思路
- 作者混合可分离协方差以构造非可分离结构，再对相关过程与块金效应分别进行尺度混合，并用 MCMC 实施贝叶斯推断。
- 材料陈述的贡献
- 摘要称，该模型可识别异常值及时空中的高方差区域；在巴斯克地区温度数据应用中，作者报告预测表现得到改善。
- 阅读关注点
- 应核对尺度混合过程的设定、协方差有效性、异常值与区域方差的区分，以及预测比较的基准和 MCMC 诊断。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。预测改善限于所述应用，摘要未给出幅度、验证设计或计算收敛证据。
原文摘要
We construct non-Gaussian processes that vary continuously in space and time with nonseparable covariance functions. Starting from a general and flexible way of constructing valid nonseparable covariance functions through mixing over separable covariance functions, the resulting models are generalized by allowing for outliers as well as regions with larger variances. We induce this through scale mixing with separate positive-valued processes. Smooth mixing processes are applied to the underlying correlated processes in space and in time, thus leading to regions in space and time of increased spread. An uncorrelated mixing process on the nugget effect accommodates outliers. Posterior and predictive Bayesian inference with these models is implemented through a Markov chain Monte Carlo sampler. An application to temperature data in the Basque country illustrates the potential of this model in the identification of outliers and regions with inflated variance, and shows that this improves the predictive performance.