Wavelet-Based Bayesian Hierarchical Modeling with Regularized Horseshoe Priors for Spatially Correlated Functional Data
空间相关函数数据的小波贝叶斯层级模型与正则化马蹄先验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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究环境空间函数数据的预测与不确定性，未涉及所列经济预测、金融高频计量或经济网络方向。
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…
空间相关函数数据的小波贝叶斯层级模型与正则化马蹄先验
- 研究问题
- 如何在未设监测站的位置预测污染浓度曲线并量化不确定性，同时避免平滑方法抹去短时污染峰值？
- 方法与思路
- 作者构建小波贝叶斯层级模型，在每个分辨率层共享 Matérn 空间相关矩阵，结合空间正则化马蹄先验和非中心化参数化。
- 材料陈述的贡献
- 摘要称空间依赖可稳定强噪声下的曲线重构；墨西哥城颗粒物应用中，模型捕捉急性污染事件并改善预测及可信区间校准。
- 阅读关注点
- 应核对分辨率层之间的建模、先验设置、采样诊断及空间留出方案，并查看区间校准和污染峰值恢复的比较指标。
- 阅读边界
- 依据 arXiv v1 预印本摘要，同行评审或期刊接收未经核实；所述改善来自特定模拟和污染数据，未说明一般覆盖保证。
原文摘要
Environmental monitoring networks increasingly record pollutant levels as curves observed over time at fixed stations. Yet, exposure and risk assessment often require predicting these curves, with their uncertainty, at unmonitored locations. Conventional smooth-basis methods for such spatially correlated functional data, including spline-based kriging, tend to over-smooth acute, high-frequency episodes such as pollution peaks. We propose a parsimonious wavelet-based Bayesian hierarchical model that anchors a single, shared Matérn correlation matrix at each resolution level, avoiding the parameter inflation of coefficient-specific spatial processes. Adaptive sparsity is enforced through a spatially informed regularized horseshoe prior, allowing the model to borrow strength across neighboring locations. At the same time, a non-centered parameterization ensures stable inference under the No-U-Turn Sampler. In simulation studies across distinct signal-to-noise regimes, incorporating spatial dependence substantially stabilizes reconstruction under severe noise relative to strictly independent models. Applied to PM$_{10}$ concentrations from Mexico City and benchmarked against ordinary kriging for functional data and a hierarchical Bayesian wavelet alternative, the model captures acute pollution events and, beyond improving point prediction, delivers sharper and better-calibrated credible intervals at unobserved locations.