| 贝叶斯时空分位回归模型及其对北京市PM2.5浓度的研究 |
| |
| 引用本文： | 梅波,田茂再. 贝叶斯时空分位回归模型及其对北京市PM2.5浓度的研究[J]. 统计研究, 2016, 0(12): 91-100. DOI: 10.19343/j.cnki.11-1302/c.2016.12.011 |
| |
| 作者姓名： | 梅波 田茂再 |
| |
| 作者单位： | 1. 中国人民大学统计学院;2. 教育部人文社会科学重点研究基地中国人民大学应用统计科学研究中心 |
| |
| 基金项目： | 中国人民大学2016年度拔尖创新人才培育资助计划成果;并获北京市社会科学基金重大项目“北京及周边地区重大雾霾自然灾害时空规律的统计学研究及预警”(15ZDA17)，教育部高等学校博士学科点专项科研基金项目“复杂分层结构数据的统计推断及应用”(20130004110007)，教育部人文社会科学重点研究基地重大项目“复杂时空大数据的统计建模理论、方法及其应用研究”(15JJD910001) |
| |
| 摘 要： | 本文基于时空模型和非对称拉普拉斯分布提出一种新的时空分位回归模型.本文主要将空间域利用薄板回归样条展开,结合混合模型与样条之间的关系,得到分层贝叶斯分位回归模型.利用MCMC算法得到参数的后验分布,并对模型中系数的空间域进行预测.本文同时融合降秩近似的方法,简化了计算复杂度.区别于已有时空分位模型,本文考虑了协变量对因变量影响的空间分布特征,并非直接对时间或空间效应整体进行建模,有利于深入研究协变量与因变量之间的空间结构关系.数值模拟结果表明,预测的空间域与真实的空间域十分接近,并在不同分位水平下,有效地估计了协变量影响的空间效应差异.最后将该模型应用于北京市PM2.5浓度的研究,分析气象因素对PM2.5浓度影响的空间分布特征.
|
| 关 键 词： | 时空模型 薄板回归样条 非对称拉普拉斯分布 MCMC 分位回归 |
Bayesian Spatio-temporal Quantile Regression Model and its Application in PM2.5 Concentration in Beijing |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 万方数据 等数据库收录！ |
|
