Пространствено MCMC (Spatial MCMC)
Пространственото MCMC прилага Марковски верижно Монте Карло семплиране към Байесови модели, които изрично отчитат пространствена зависимост между наблюденията. То извлича апостериорни извадки от модели като условни авторегресивни (CAR), симултанни авторегресивни (SAR) или геостатистически (Гаусов процес) модели, предоставяйки пълни разпределения на неопределеността за пространствено структурирани параметри като случайни ефекти, регресионни коефициенти и пространствен обхват.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Banerjee, S., Carlin, B. P., & Gelfand, A. E. (2015). Hierarchical Modeling and Analysis for Spatial Data (2nd ed.). CRC Press. ISBN: 978-1439819173
- Rue, H., & Held, L. (2005). Gaussian Markov Random Fields: Theory and Applications. CRC Press. ISBN: 978-1584884323
Как да цитирате тази страница
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Spatial Models. ScholarGate. https://scholargate.app/bg/bayesian/spatial-mcmc
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Гиббсов семплерБейсови методи↔ compare
- Хамилтънов Монте КарлоБейсови методи↔ compare
- Йерархично Бейсианско заключениеБейсови методи↔ compare
- Пространствено Байесово ИзвежданеБейсови методи↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →