Deixe o modelo da pergunta ser escrito como
que é um GP não observado com índice
e é um termo de ruído normal com variância . Presume-se que o GP seja centrado, estacionário e não determinístico. Observe que o termo
pode ser considerado como um GP (determinístico) com o kernel
que h(x)x∈Rdεiσ2φ(x)⊤pφ(x)⊤B
Yi=ϕ(xi)⊤β+h(xi)+εi(1)
h(x)x∈Rdεiσ2ϕ(x)⊤βB B : = ρϕ(x)⊤Bϕ(x)Bé uma matriz de covariância de `` valor infinito ''. De fato, tomando
com , obtemos as equações de krigagem da pergunta. Isso geralmente é chamado de
difuso anterior para
. Um posterior adequado para
resulta apenas quando a matriz possui classificação completa. Portanto, o modelo escreve e
que é um GP . A mesma interpretação de Bayes pode ser usada com restrições quando não é mais um GP, mas é um
ρ → ∞ β β Φ Y i = ζ ( x i ) + ε i ζ ( x ) ζ ( x )B:=ρIρ→∞ββΦYi=ζ(xi)+εi(2)
ζ(x)ζ(x)Função aleatória intrínseca (IRF). A derivação pode ser encontrada no livro de G. Wahba. Apresentações legíveis do conceito de IRF estão, por exemplo, no livro de N. Cressie e no artigo de Mardia et al. Os IRFs são semelhantes aos conhecidos processos integrados no contexto de tempo discreto (como o ARIMA): um IRF é transformado em um GP clássico por um tipo de operação diferenciada.
Aqui estão dois exemplos de IRF para . Primeiramente, considere um processo de Wiener com sua condição inicial substituída por uma condição inicial difusa : é normal com uma variação infinita. Depois que um valor é conhecido, o IRF pode ser previsto como o Wiener GP. Em segundo lugar, considere um processo integrado de Wiener fornecido pela equação em que é um processo de Wiener. Para obter um GP, agora precisamos de dois parâmetros escalares: dois valores
e paraζ ( x ) ζ ( 0 ) = 0 ζ ( 0 ) ζ ( x ) d 2 ζ ( x ) / d x 2 = d W ( x ) / d x W ( x ) ζ ( x ) ζ ( x ′ ) x ≠ x ′ ζ ( x )d=1ζ(x)ζ(0)=0ζ(0)ζ(x)
d2ζ(x)/dx2=dW(x)/dx
W(x)ζ(x)ζ(x′)x≠x′ou os valores
e em algum escolhido . Podemos considerar que os dois parâmetros extras são em conjunto gaussianos com uma matriz de covariância infinita . Em ambos os exemplos, assim que um conjunto finito de observações estiver disponível, o IRF é quase como um GP. Além disso utilizou-se um operador diferencial: e , respectivamente. O espaço nulo é um espaço linear de funções
tal que . Ele contém a função constante
ζ(x)dζ(x)/dxx2×2L:=d/dxL:=d2/dx2Fϕ(x)Lϕ=0ϕ1(x)=1no primeiro caso e as funções e
no segundo caso. Observe que no primeiro exemplo
é GP para qualquer fixo no primeiro exemplo e da mesma forma é um GP no segundo caso.
ϕ1(x)=1ϕ2(x)=xζ(x)−ζ(x+δ)δζ(x−δ)−2ζ(x)+ζ(x+δ)
Para uma dimensão geral , considere um espaço linear de funções definidas em . Chamamos um incremento
relativo a um conjunto finito de locais
e pesos reais tal que
Considere como o espaço nulo de nossos exemplos. Para o primeiro exemplo, podemos usar, por exemplo, com e
arbitrários edFRdFsxi∈Rdsνi
∑i=1sνiϕ(xi)=0 for all ϕ∈F.
Fs=2x1x2[1,−1] . Para o segundo exemplo, podemos considerar
igualmente espaçados e . A definição de um IRF envolve um espaço de funções e uma função que é
condicionalmente positiva wrt , o que significa que
permanece assim que é um incremento wrt . De e
s=3xiν=[1,−2,1]Fg(x,x′)F∑i=1s∑j=1sνiνjg(xi,x′j)≥0
[νi,xi]si=1FFg(x,x′)
podemos fazer um núcleo de covariância, portanto, um GP, como em Mardia et al. Podemos começar a partir de um operador diferencial linear e usar o espaço nulo como ; o IRF terá então conexão com a equação um ruído gaussiano.
LFLζ=
O cálculo da previsão do IRF é quase o mesmo da pergunta, com substituído por
, mas com o agora formando uma base de . A restrição extra
deve ser adicionada no problema de otimização, que concederá esse
. Ainda podemos adicionar mais funções básicas que não estão em
se necessário; isso terá o efeito de adicionar um GP determinístico, digamos
ao IRF
k(x,x′)g(x,x′)ϕi(x)FΦ⊤α=0α⊤Kα≥0Fψ(x)⊤γζ(x) em (2).
O spline de placa fina depende de um número inteiro tal que , o espaço contenha polinômios de baixo grau, com a dimensão dependendo de e . Pode-se mostrar que se
é a seguinte função para depois
define um wrt condicionalmente positivo . A construção refere-se a um operador diferencialmm>2dFp(m)mdE(r)r≥0
E(r):={(−1)m+1+d/2r2m−dlogrr2m−dd even,d odd,
g(x,x′):=E(∥x−x′∥)FL. Acontece que, para e a ranhura fina de chapa é nada além da ranhura cúbica natural usual, que se refere ao exemplo integrado de Wiener acima, com . Portanto, (2) nada mais é do que o modelo de spline de suavização usual. Quando e o espaço nulo tem dimensão
e é gerado pelas funções , e .
d=1m=2g(x,x′)=|x−x′|3d=2m=2p(m)=31x1x2
Estatísticas de Cressie N para dados espaciais . Wiley 1993.
Mardia KV, Kent JT, Goodall CR e Little JA. Krigagem e splines com informações derivadas. Biometrika (1996), 83,1, pp. 207-221.
Modelos Wahba G Spline para dados observacionais . SIAM 1990.
Wang, Y Suavizando splines, métodos e aplicações . Chapman e Hall, 2011.