Estimating Space and Space-Time Covariance Functions for Large Data Sets: A Weighted Composite Likelihood Approach
大型数据集的空间与时空协方差估计：加权复合似然方法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：摘要关注空间随机场协方差与臭氧数据，未提供对应给定领域细分的直接证据。
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…
大型数据集的空间与时空协方差估计：加权复合似然方法
- 研究问题
- 面对大型高斯随机场数据，如何估计空间及时空协方差函数，并在统计效率与计算复杂度之间取得实用平衡？
- 方法与思路
- 作者分别提出加权复合似然最大化和加权复合得分方程求解，并为前一种估计方法构造模型选择信息准则。
- 材料陈述的贡献
- 摘要称得分加权方案可推广至其他复合似然，并通过示例、模拟与臭氧观测数据展示两类方法的实用性。
- 阅读关注点
- 应核对权重的选择依据、两类估计程序的统计性质、信息准则的构造，以及效率和计算成本比较所用基准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；权重形式、理论条件和性能数值未提供，不能推断刊本变化或最优权重。
原文摘要
In this article, we propose two methods for estimating space and space-time covariance functions from a Gaussian random field, based on the composite likelihood idea. The first method relies on the maximization of a weighted version of the composite likelihood function, while the second one is based on the solution of a weighted composite score equation. This last scheme is quite general and could be applied to any kind of composite likelihood. An information criterion for model selection based on the first estimation method is also introduced. The methods are useful for practitioners looking for a good balance between computational complexity and statistical efficiency. The effectiveness of the methods is illustrated through examples, simulation experiments, and by analyzing a dataset on ozone measurements.