Spatial factor modeling: A Bayesian matrix-normal approach for misaligned data.
Spatial factor modeling: A Bayesian matrix-normal approach for misaligned data.
复制标题
DOI：
10.1111/biom.13452
复制
发表时间：
2022-06
期刊：
影响因子：
1.9
通讯作者：
Banerjee S
中科院分区：
文献类型：
--
作者：
Zhang L;Banerjee S
多变量空间数据集在环境和物理科学中非常普遍。科学家们试图联合建模多个变量，每个变量由一个空间位置索引，以捕获每个变量的任何潜在空间关联以及不同因变量之间的关联。多变量潜在空间过程模型已被证明是有效的，在驱动统计推断和渲染更好的预测推理在任意位置的空间过程。高维多变量空间数据是指空间位置和空间相关变量数量都非常大的数据集，也是本文的主题。该领域已经见证了单变量空间过程的可扩展模型的实质性发展，但多变量空间过程的方法，特别是当结果的数量是适度的大，是有限的比较。在这里，我们扩展可扩展的建模策略，为一个单一的过程，多变量的过程。我们追求贝叶斯推理，这是有吸引力的充分的不确定性量化的潜在空间过程。我们的方法利用分布理论的矩阵正态分布，我们用它来构建可扩展版本的分层线性模型coregionalization（LMC）和空间因子模型，提供推理的高维参数空间，包括潜在的空间过程。我们说明了我们的算法的计算和推理的好处竞争的方法，使用模拟研究和分析的一个庞大的植被指数数据集。
Multivariate spatially oriented data sets are prevalent in the environmental and physical sciences. Scientists seek to jointly model multiple variables, each indexed by a spatial location, to capture any underlying spatial association for each variable and associations among the different dependent variables. Multivariate latent spatial process models have proved effective in driving statistical inference and rendering better predictive inference at arbitrary locations for the spatial process. High-dimensional multivariate spatial data, which are the theme of this article, refer to data sets where the number of spatial locations and the number of spatially dependent variables is very large. The field has witnessed substantial developments in scalable models for univariate spatial processes, but such methods for multivariate spatial processes, especially when the number of outcomes are moderately large, are limited in comparison. Here, we extend scalable modeling strategies for a single process to multivariate processes. We pursue Bayesian inference, which is attractive for full uncertainty quantification of the latent spatial process. Our approach exploits distribution theory for the matrix-normal distribution, which we use to construct scalable versions of a hierarchical linear model of coregionalization (LMC) and spatial factor models that deliver inference over a high-dimensional parameter space including the latent spatial process. We illustrate the computational and inferential benefits of our algorithms over competing methods using simulation studies and an analysis of a massive vegetation index data set.
登录
查看更多内容
影响因子：
5.7
作者：
Genton, Marc G.;Kleiber, William
通讯作者：
Kleiber, William
DOI：
10.1007/bf02066732
发表时间：
1991-10-01
期刊：
MATHEMATICAL GEOLOGY
影响因子：
--
作者：
BOURGAULT, G;MARCOTTE, D
通讯作者：
MARCOTTE, D
影响因子：
2.4
作者：
Roberts, Gareth O.;Rosenthal, Jeffrey S.
通讯作者：
Rosenthal, Jeffrey S.
DOI：
10.1214/16-aoas931
发表时间：
2016-09
期刊：
The annals of applied statistics
影响因子：
--
作者：
Datta A;Banerjee S;Finley AO;Hamm NAS;Schaap M
通讯作者：
Schaap M
影响因子：
3.7
作者：
Datta A;Banerjee S;Finley AO;Gelfand AE
通讯作者：
Gelfand AE