Resumen

En los últimos años, los modelos jerárquicos bayesianos se han utilizado ampliamente para modelar la dependencia espacial y temporal conjunta de grandes datos espacio-temporales que comúnmente involucran un gran número de observaciones faltantes. Este artículo representó, evaluó y comparó algunos modelos bayesianos y no bayesianos recientemente propuestos para predecir la media diaria de material particulado con un diámetro inferior a 10 (PM) medido en Qatar durante los años 2016-2019. La técnica de desagregación con un método de Monte Carlo de cadena de Markov con muestreador de Gibbs se utiliza para manejar los datos faltantes. Basándonos en los resultados obtenidos, concluimos que los procesos predictivos gaussianos con términos autorregresivos del modelo latente subyacente espacio-temporal son los mejores, en comparación con los procesos gaussianos bayesianos y los modelos aditivos generalizados no bayesianos.

• Materias:Algoritmo de reconocimiento Geometría proyectiva Ecuaciones fraccionarias Propiedades asintóticas Voltaje electrónico incorporado
• Subjects:Recognition algorithm Projective geometry Fractional equations Asymptotic properties Built-in electronic voltage
• Palabras claves:Modelos bayesianos; Datos espacio-temporales; Observaciones faltantes; Materia particulada; Qatar; Procesos gaussianos
• Keywords:Bayesian models; Spatio-temporal data; Missing observations; Particulate matter; Qatar; Gaussian processes