Accommodating Heterogeneous Variability in Multivariate Spatio-Temporal Processes
I will discuss spatiotemporal models for processes that relax the assumption of normality after some transformation. In particular, I will propose an extension of the popular multivariate dynamic linear model to accommodate heavy tails for multivariate spatio-temporal processes. As the proposed class of models involve more than one Gaussian Process, inference can become computationally challenging when using Markov chain Monte Carlo methods to obtain samples from the resultant posterior distribution. I will also discuss how to approximate the proposed models when the number of observations is big across space. Examples include the analysis of artificial data and the joint modelling of PM10 and Ozone across the UK.
Prise en compte de la variabilité hétérogène dans les processus spatiotemporels multivariés
Je discuterai des modèles spatiotemporels pour les processus qui assouplissent l’hypothèse de normalité après une certaine transformation. Tout particulièrement, je proposerai une extension du modèle linéaire dynamique multivarié populaire pour tenir compte des queues lourdes pour les processus spatiotemporels multivariés. Comme la classe de modèles proposée implique plus d’un processus gaussien, l’inférence peut représenter un défi informatique lorsqu’on utilise des méthodes de Monte-Carlo par Chaîne de Markov pour obtenir des échantillons de la distribution postérieure résultante. J’aborderai également la manière d’approximer les modèles proposés lorsque le nombre d’observations est important dans l’espace. Les exemples incluent l’analyse de données artificielles et la modélisation conjointe des PM10 et de l’ozone à travers le Royaume-Uni.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais