Multivariate Type G Matérn Stochastic Partial Differential Equation Random Fields
基于随机偏微分方程的多元 G 型 Matérn 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：摘要聚焦多元空间随机场，空间依赖本身不足以归入网络干扰或其他所列细分。
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
基于随机偏微分方程的多元 G 型 Matérn 随机场
- 研究问题
- 如何为多元空间数据建立能反映单次实现内非高斯特征的随机场模型，同时保留 Matérn 型协方差与可行的估计预测？
- 方法与思路
- 作者以带加性 G 型噪声的随机偏微分方程组构造模型，设计四种灵活性递增的噪声形式，并提出似然估计和概率预测方法。
- 材料陈述的贡献
- 摘要称，后两种构造可在无重复观测时建模非高斯空间数据；作者提出计算高效的方法，并用数值例子及两个应用展示灵活性。
- 阅读关注点
- 应核对四种噪声构造的依赖结构、边际与交叉协方差、无重复观测时的参数识别，以及似然计算和预测实现方式。
- 阅读边界
- 仅据所给 Crossref 摘要；计算复杂度、参数识别条件及应用结果未说明，不能据此认定全面优于现有空间模型。
原文摘要
Summary For many applications with multivariate data, random-field models capturing departures from Gaussianity within realizations are appropriate. For this reason, we formulate a new class of multivariate non-Gaussian models based on systems of stochastic partial differential equations with additive type G noise whose marginal covariance functions are of Matérn type. We consider four increasingly flexible constructions of the noise, where the first two are similar to existing copula-based models. In contrast with these, the last two constructions can model non-Gaussian spatial data without replicates. Computationally efficient methods for likelihood-based parameter estimation and probabilistic prediction are proposed, and the flexibility of the models suggested is illustrated by numerical examples and two statistical applications.