Bayesian Spatial Prediction of Random Space-Time Fields With Application to Mapping PM<sub>2.5</sub>Exposure
Notice bibliographique
Résumé
This article presents a multivariate spatial prediction methodology in a Bayesian framework. The method is especially suited for use in environmetrics, where vector-valued responses are observed at a small set of ambient monitoring stations “(gauged sites)” at successive time points. However, the stations may have varying start-up times so that the data have a “staircase” pattern (“monotone” pattern in the terminology of Rubin and Shaffer). The lowest step corresponds to the newest station in the monitoring network. We base our approach on a hierarchical Bayes prior involving a Gaussian generalized inverted Wishart model. For given hyperparameters, we derive the predictive distribution for currently gauged sites at times before their start-up when no measurements were taken. The resulting predictive distribution is a matric t distribution with appropriate covariance parameters and degrees of freedom. We estimate the hyperparameters using the method of moments (MOM) as an easy-to-implement alternative to the more complex EM algorithm. The MOM in particular gives exact parameter estimates and involves less cumbersome calculations than the EM algorithm. Finally, we obtain the predictive distribution for unmeasured responses at “ungauged” sites. The results obtained here allow us to pool the data from different sites that measure different pollutants and also to treat cases where the observed data monitoring stations have a monotonic “staircaserldquo; structure. We demonstrate the use of this methodology by mapping PM2.5 fields for Philadelphia during the period of May 1992 to September 1993. Large amounts of data missing by design make this application particularly challenging. We give empirical evidence that the method performs well.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».