مدل‌بندی داده‌های فضایی-زمانی با گمشدگی غیرقابل چشم پوشی

نوع مقاله: مقاله پژوهشی

نویسندگان

گروه آمار، دانشگاه تربیت مدرس

چکیده

غلب داده‌های فضایی و فضایی-زمانی به واسطه شرایطی که تحت آن اندازه‌گیری‌ها صورت می‌گیرد حاوی مقادیر گمشده هستند. مقادیر گمشده‌ای که در فواصل مکانی یا زمانی نزدیک‌تر نسبت به مشاهدات قرار دارند شامل اطلاعات مفیدی هستند که درنظر گرفتن آن‌ها می‌تواند منجر به نتایج دقیق‌تری شود. بنابراین لازم است حضور داده‌های گمشده مورد توجه و بررسی دقیق قرار گیرد. لذا می‌توان با مدل‌بندی توأم فرایندی که منجر به گمشدگی می‌شود و فرایند اندازه‌گیری فضایی-زمانی، برخی اطلاعات از دست رفته را بازیابی کرد.
در این مقاله، با استفاده از تکنیک مدل پارامتر مشترک، به مدل‌بندی توأم فرایند اندازه‌گیری فضایی-زمانی و فرایند گمشدگی در یک چارچوب بیزی می‌پردازیم تا اثرات سوء مقادیر گمشده تعدیل شود. همچنین از طریق یک میدان تصادفی پنهان فضایی-زمانی در مدل، بین دو فرایند ارتباط ایجاد خواهیم کرد.} به منظور برآورد پارامترهای مدل و پیشگویی‌ها، روش بیز تقریبی INLA به همراه راهکار ،SPDE به کار بسته شده است. سپس بر اساس مدل توأم داده‌های دمای سطح آب دریای خزر مدل‌بندی و تحلیل شده و عملکرد مدل نیز مورد ارزیابی قرار گرفته است. در انتها نیز به بحث و نتیجه‌گیری پرداخته شده است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Modeling of Spatio-Temporal Data with Non-Ignorable Missing

نویسندگان [English]

  • Mohsen Mohammadzadeh
  • Samira Zahmatkesh
Department of Statistics, Tarbiat Modares University
چکیده [English]

Often, due to conditions under which measurements are made, spatio-temporal data contain missing values. Missing data in spatial or temporal vicinity may include useful information. Using this information, we can provide more accurate results, so missing data should be carefully examined. By modeling the missing process and spatio-temporal measurement process jointly, some lost information could be recovered. In this paper, we implement joint modeling in a Bayesian framework using the "shared parameter model" technique, so that the bad effects of missing values will be moderated. Also, we will associate these two processes via a latent spatio-temporal random field. To estimate the model parameters and for predictions, the Bayesian method INLA using SPDE approach is applied. Also, the lake surface water temperature data for Caspian sea is used to evaluate the performance of the joint model.

کلیدواژه‌ها [English]

  • Spatio-temporal data
  • Missing data
  • INLA
  • SPDE approach