随着研究问题的复杂化和全面化,空间统计分析技术目前已成为理论研究的热点,其主要原因是该方法融入了研究主体的空间信息,较好地反映出了空间因素的影响作用,因此,它被广泛应用到经济、水文等领域。空间数据结构的日益丰富使描述空间依赖性关系变得愈加复杂,如何利用空间数据构造空间联合分布模型并准确估计参数以达到空间插值预测的目的仍是一大难点。空间数据分析中,大多数研究文献仍是利用变差函数描述观测变量的空间相依结构、利用Kriging插值法或其派生出的多种方法进行空间预测。Bárdossy(2006)指出,这两种方法对异常值比较敏感且易受到边缘分布的影响,并首次利用Copula函数描述空间数据的空间相关结构。Copula函数本质上是边缘分布函数对联合分布的映射,它能够将相关结构和边缘分布这两种信息“隔离”,在有效克服上述问题基础上也为构造联合分布提供了一种有效的方法。考虑到两两变量间不一定服从同一分布的情况,本文利用Pair-copula结构将不同的边缘分布函数连接起来,避免了传统多元Copula函数一致性的限制,使所建模型更加灵活和多元化,能更好地反映多变量之间的相关关系。另外,对模型中参数的估计问题,通常采用极大似然估计(MLE)法,即把参数看做一个确定的数值,所得估计结果为点估计,无法反映多变量间的相依关系和结构,同时,在高维数据或参数过多情况下计算繁杂,即使使用数值方法也会在计算方面花费过多时间。因此,本文利用贝叶斯估计法,它能够充分利用样本信息和参数的先验信息,在对模型参数进行估计时,通常贝叶斯估计量能够得到更小的方差或平方误差,不仅可以构造较高精度的置信区间,而且具有稳健性。本文将空间Pair-copula模型及其参数估计纳入到一个完整的理论框架中,着力于利用Pair-copula函数结合研究变量的空间位置信息和空间相关性构建多变量联合分布,通过贝叶斯估计法得到有效的参数估计值,利用交叉验证法将空间Pair-copula模型的预测结果与传统Kriging插值方法的结果进行对比验证模型具有更高的预测精度,最后结合重庆市主城区雾霾监测站的PM2.5浓度数据对研究区域中任意位置的数据进行空间插值预测。