×
Gonçalves，Flávio B。；达尼·加默曼

多元高斯过程驱动的时空Cox过程中的精确贝叶斯推断。 （英语） Zbl 06840461号

J.R.Stat.Soc.，塞尔维亚。B、 统计方法。 80，第1号，157-175（2018）.
摘要：我们提出了一种新的推理方法来对时空Cox过程进行贝叶斯推理，其中强度函数依赖于多变量高斯过程。引入动态高斯过程，使强度函数能够在离散时间内演化。该方法的新颖性在于，尽管似然函数具有非分形性，且问题具有无穷维性，但不涉及离散化误差。该方法基于马尔可夫链蒙特卡罗算法，从模型参数和潜在变量的联合后验分布中进行采样。为了设计一种有效的马尔可夫链蒙特卡罗算法，必须特别选择获得似然函数的支配测度。这些模型是以通用和灵活的方式定义的，但由于对其组成部分进行了仔细的描述，因此可以从相关分布中直接采样。这些模型还能够包含回归协变量和/或时间成分，以解释强度函数的可变性。这些组件可能会受到空间和/或时间的相关交互作用。真实和模拟的例子说明了该方法，然后是结束语。

引用于8文件

MSC公司：

62立方米 空间过程推断
2015年1月62日 贝叶斯推断
60G15年 高斯过程
60G55型 点过程（例如，泊松、考克斯、霍克斯过程）

关键词：

增广模型；动态高斯过程；难以处理的可能性；马尔可夫链蒙特卡罗抽样；点模式

软件：

长链氯化聚乙烯；spBayes公司
PDF格式BibTeX公司 XML格式引用
\textit{F.B.Gonçalves}和\textit{D.Gamerman}，J.R.Stat.Soc.，Ser。B、 统计方法。80，第1号，157--175（2018；Zbl 06840461）
全文： 内政部 arXiv公司

参考文献：

[1] Gamerman，D。；萨拉查，E。；Reis，E.A.，149-174，（2007年）·Zbl 1252.62097号
[2] Diggle，P.J.（2014）
[3] Wackernagel，H.（2003）·doi:10.1007/978-3-662-05294-5
[4] Alvarez，医学硕士。；Rosasco，L。；Lawrence，N.D.，向量值函数的内核：综述，Founds Trends Mach。学习。，4, 195-266, (2012) ·Zbl 1301.68212号 ·数字对象标识代码：10.1561/22000036
[5] 卡林，B.P。；班纳吉，S。；Finley，A.O.，spBayes：单变量和多变量分层点参考空间模型的R包，J.Statist。Softwr，19，1-24，（2007）
[6] Baddeley，A.（巴德利，A.）。；鲁巴克，E。；特纳，R.（2015）
[7] 亚当斯·R·P。；默里，我。；麦凯，D.J.C.（2009）
[8] Arellano-Valle，R.B。；阿扎里尼，A.，《关于偏正态分布族的统一》，Scand。J.统计。，33, 561-574, (2006) ·Zbl 1117.62051号
[9] 班纳吉，A。；邓森，D.B。；Tokdar，S.T.，大型数据集的高效高斯过程回归，Biometrika，100，75-89，（2013）·Zbl 1284.62257号 ·doi:10.1093/biomet/ass068
[10] Beskos，A。；O.帕帕斯皮利奥普洛斯。；Roberts，G.O。；Fearnhead，P.，离散观测扩散过程的精确和计算效率似然推理（讨论），J.R.Statist。《社会学杂志》，68，333-382，（2006）·Zbl 1100.62079号
[11] Brix，A。；Diggle，P.J.，log-Gaussian Cox过程的时空预测，J.R.Statist。Soc.，63，823-841，（2001年）·Zbl 0996.62076号
[12] 卡特，C.K。；Kohn，R.，状态空间模型的On Gibbs抽样，Biometrika，81，541-553，（1994）·Zbl 0809.62087号 ·doi:10.1093/biomet/81.3.541
[13] Cox，D.R.，《与一系列事件相关的一些统计方法》（带讨论），J.R.Statist。《社会学杂志》，17，129-164，（1955）·Zbl 0067.37403号
[14] Fruhworth-Schnatter，S.，《数据增强和动态线性模型》，J.Time-Ser。分析。，15, 183-202, (1994) ·Zbl 0815.62065号
[15] Gamerman，D.，动态广义线性模型的马尔可夫链蒙特卡罗，生物统计学，85，215-227，（1998）·Zbl 0904.62083号 ·doi:10.1093/biomet/85.1215
[16] Gamerman，D.，437-448，（2010年）·doi:10.1201/9781420072884-c24
[17] Gamerman，D。；桑托斯，T.R。；Franco，G.C.，《具有精确边际似然的非高斯状态空间模型族》，J.Time-Ser。分析。，34, 625-645, (2013) ·Zbl 1306.62196号
[18] 盖尔芬德，A.E。；班纳吉，S。；Gamerman，D.，单变量和多变量动态空间数据的空间过程建模，环境计量学，16，465-479，（2005）
[19] Gonçalves，F.B。；Roberts，G.O.，跳跃扩散的精确模拟问题，Methodol。计算。申请。可能性。，16, 907-930, (2014) ·Zbl 1334.60130号 ·doi:10.1007/s11009-013-9330-2
[20] Gonçalves，F.B。；Roberts，G.O。；Łatuszyñski，K.G.，（2017）
[21] Kottas，A。；Sansó，B.，空间泊松过程强度的贝叶斯混合建模，及其在极值分析中的应用，J.Statist。Planng Inf.，137，3151-3163，（2007）·Zbl 1114.62100号 ·doi:10.1016/j.jspi.2006.05.022
[22] 刘易斯，P.A.W。；Shedler，G.S.，通过细化模拟非均匀泊松过程，Navl Res.Logist。Q.，26，403-413，（1979）·Zbl 0497.60003号
[23] 莫勒，J。；Syversveen，A.R。；Waagepetersen，R.P.，对数高斯考克斯过程，扫描。J.统计。，25, 451-482, (1998) ·Zbl 0931.60038号
[24] 小平托，J.A。；Gamerman，D。；Paez，M.S。；Alves，R.H.F.，具有空间变化协变量效应的点模式分析，应用于脑血管死亡研究，统计学。医学，34，1214-1226，（2015）
[25] Reis，E.A。；Gamerman，D。；Paez，M.S。；Martins，T.G.，时空点过程的贝叶斯动态模型，计算统计学家。数据分析。，60, 146-156, (2013) ·Zbl 1365.62362号 ·doi:10.1016/j.csda.2012.11.008
[26] Roberts，G.O。；Rosenthal，J.S.，《自适应MCMC示例》，J.Computenl Graph。统计人员。，18349-367，（2009年）·doi:10.1198/jcgs.2009.06134
[27] Sermaidis，G。；O.帕帕斯皮利奥普洛斯。；Roberts，G.O。；Beskos，A。；Fearnhead，P.，《扩散精确推断的马尔可夫链蒙特卡罗》，Scand。J.统计。，40, 294-321, (2013) ·Zbl 1328.65015号
[28] D.辛普森。；伊利安·J·B。；林格伦，F。；Sörbye，S.H。；Rue，H.，Going off grid:log-Gaussian Cox过程的计算效率推断，Biometrika，103，49-70，（2016）·Zbl 1452.62704号 ·doi:10.1093/biomet/asv064
[29] B.M.泰勒。；Davis，T.M。；罗林森，B.S。；Diggle，P.J.，lgcp:空间和时空log-Gaussian Cox过程推理的R包，J.Statist。软件。，52，1-40，（2013）
[30] 威克尔，C。；Cressie，N.，时空卡尔曼滤波的降维方法，生物特征，86815-829，（1999）·Zbl 0942.62114号 ·doi:10.1093/biomet/86.4.815
[31] 肖，S。；Kottas，A。；Sansó，B.，《季节标记点过程的建模：飓风发生演变的分析》，Ann.Appl。统计人员。，9, 353-382, (2015) ·Zbl 1454.62284号 ·doi:10.1214/14-AOAS796
[32] Doornik，J.A.（2007）
[33] 波义耳，P。；Frean，M.（2004年）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。