A heavy-tailed model for multivariate spatial processes
Notice bibliographique
Résumé
Environmental data commonly involves measuring multiple pollutants, such as NO 2 and PM 10 levels, at some fixed sites across a region. Data analysts aim to describe the processes accounting for covariance across space and among pollutants, usually assuming a multivariate spatial Gaussian model with a stationary covariance function. However, the observed data distribution often exhibits heterogeneous variability, resulting in heavier tails than the Gaussian distribution. To address these challenges by avoiding data transformation, we propose a flexible multivariate spatial model with spatially varying covariate-dependent variance that naturally accommodates heavy-tailed distributions. Specifically, we extend the linear model of coregionalization by modeling the variances of the processes, allowing them to vary across space and depending on covariates. We discuss the properties of the proposed model and outline a Bayesian inference procedure implemented using the software Stan . As the model involves several Gaussian process components, we further discuss Vecchia-based approximation methods for analyzing large spatial datasets. Artificial data analyses suggest that the model’s parameters are identifiable and can accurately detect outlying observations if they exist, underscoring the model’s reliability and robustness. The model quantifies uncertainty and captures local structures more effectively than the multivariate Gaussian model when applied to maximum concentrations of NO 2 and PM 10 on a day at 382 sites across Italy. Further, the described approximation methods show effectiveness in analyzing large spatial datasets.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».