Spatial MCMC
Spatial MCMC wendet Markov-Chain-Monte-Carlo-Sampling auf Bayes'sche Modelle an, die explizit räumliche Abhängigkeiten zwischen Beobachtungen berücksichtigen. Es zieht Posterior-Stichproben aus Modellen wie bedingten autoregressiven (CAR), simultanen autoregressiven (SAR) oder geostatistischen (Gauß'sche Prozesse) Modellen und liefert vollständige Unsicherheitsverteilungen für räumlich strukturierte Parameter wie Zufallseffekte, Regressionskoeffizienten und räumliche Reichweiten.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Spatial Models. ScholarGate. https://scholargate.app/de/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-SamplingBayes-Statistik↔ compare
- Hamiltonian Monte CarloBayes-Statistik↔ compare
- Hierarchische Bayes'sche InferenzBayes-Statistik↔ compare
- Räumliche Bayes'sche InferenzBayes-Statistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →