Statistical inference for Gaussian Whittle–Matérn fields on metric graphs
度量图上高斯 Whittle–Matérn 随机场的统计推断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：度量图用于空间高斯场建模，摘要未涉及经济网络中的互动或干扰，也未提供其他所列细分方向的直接依据。
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…
度量图上高斯 Whittle–Matérn 随机场的统计推断
- 研究问题
- 如何对定义在紧致度量图上的 Whittle–Matérn 高斯场开展参数估计和预测，尤其是在协方差缺少闭式表达或参数误设时？
- 方法与思路
- 作者以分数阶随机微分方程定义随机场，研究极大似然估计与误设参数预测，并利用特定分数阶指数下的马尔可夫性质开展计算。
- 材料陈述的贡献
- 摘要称给出估计的一致性、渐近正态性及误设下最优预测的充要条件，并在特定指数下实现精确高效的似然推断和空间预测。
- 阅读关注点
- 应核对渐近框架、参数可识别性、最优预测的含义，以及允许精确计算的指数取值和交通数据中改善结果的比较依据。
- 阅读边界
- 这里只依据所给 Crossref 摘要。摘要未列出定理条件、计算复杂度或交通应用的具体结果，精确计算的陈述限于具有相应马尔可夫性质的情形。
原文摘要
Abstract Whittle–Matérn fields are a recently introduced class of Gaussian processes on metric graphs, specified as solutions to a fractional-order stochastic differential equation. Unlike previous covariance-based methods, these fields are well-defined for any compact metric graph and can provide Gaussian processes with differentiable sample paths. We derive the main statistical properties, including the consistency and asymptotic normality of maximum likelihood estimators and the necessary and sufficient conditions for optimal prediction with misspecified parameters. The covariance function is generally unavailable in closed form, which makes statistical inference challenging. However, we show that for specific values of the fractional exponent where the fields exhibit Markov properties, likelihood-based inference and spatial prediction can be performed exactly and efficiently. This enables the use of Whittle–Matérn fields in large datasets without approximations. The results and methods are illustrated through simulation studies and through an application to traffic data modelling, where allowing for differentiable processes significantly improves results.