Spatial MCMC
Spatial MCMC anvender Markov chain Monte Carlo-sampling på Bayesianske modeller, der eksplicit tager højde for rumlig afhængighed blandt observationer. Den trækker posterior-stikprøver fra modeller som betingede autoregressive (CAR), simultane autoregressive (SAR) eller geostatistiske (Gaussisk proces) modeller, hvilket giver fulde usikkerhedsfordelinger for rumligt strukturerede parametre som tilfældige effekter, regressionskoefficienter og rumlig rækkevidde.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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
Sådan citerer du denne side
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Spatial Models. ScholarGate. https://scholargate.app/da/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.
- Gibbs SamplingBayesiansk↔ compare
- Hamiltonian Monte CarloBayesiansk↔ compare
- Hierarkisk Bayesiansk InferensBayesiansk↔ compare
- Rumslig Bayesiansk InferensBayesiansk↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →