.png){kind=icon}
返回
SPATIAL HYPERSPHERIC MODELS FOR COMPOSITIONAL DATA
.png){kind=icon}
PRE
AI
DOI：10.1214/25-AOAS2082.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
组分观测是空间统计学中日益普遍的数据来源。此类数据的分析通常采用对数比变换或狄利克雷回归。然而，这些方法常做出不必要地强假设（例如，严格正分量、完全负相关）。替代性方法使用平方根变换的组分和方向分布。此类分布自然允许零值分量和正相关，但可能包含非负正交外的支撑，且对组分数据非生成性。为克服此挑战，我们将椭圆对称角高斯（ESAG）分布截断至非负正交。此外，我们提出一种空间超球面回归模型，包含固定和随机多元空间效应。所提模型还包含一项可用于传播可能源于先验随机模型（即机器学习分类）的不确定性的项。我们通过模拟研究和空间分析验证了该模型，对象为分类的Dryobates pubescens（啄木鸟）生物声学信号。
Keyword:
Bayesian
generative
hyperspheric regression
uncertainty propagation
期刊
A
IF:
1.4
论文数:
88
被引数:
5.1K
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏
查看更多内容