• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of applied statistics >Optimal network design for Bayesian spatial prediction of multivariate non-Gaussian environmental data
【24h】

Optimal network design for Bayesian spatial prediction of multivariate non-Gaussian environmental data

机译：多元非高斯环境数据贝叶斯空间预测的最优网络设计

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This paper deals with the problem of increasing air pollution monitoring stations in Tehran city for efficient spatial prediction. As the data are multivariate and skewed, we introduce two multivariate skew models through developing the univariate skew Gaussian random field proposed by Zareifard and Jafari Khaledi [21]. These models provide extensions of the linear model of coregionalization for non-Gaussian data. In the Bayesian framework, the optimal network design is found based on the maximum entropy criterion. A Markov chain Monte Carlo algorithm is developed to implement posterior inference. Finally, the applicability of two proposed models is demonstrated by analyzing an air pollution data set.
机译：本文讨论了在德黑兰市增加空气污染监测站以进行有效空间预测的问题。由于数据是多元且偏斜的，因此我们通过开发Zareifard和Jafari Khaledi [21]提出的单变量偏斜高斯随机场，介绍了两个多元偏斜模型。这些模型为非高斯数据提供了共区域化线性模型的扩展。在贝叶斯框架中，基于最大熵准则找到最佳网络设计。开发了马尔可夫链蒙特卡罗算法来实现后验推理。最后，通过分析空气污染数据集证明了所提出的两个模型的适用性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号