MCMC فضایی
MCMC فضایی، نمونهگیری مارکوف چین مونت کارلو را برای مدلهای بیزی به کار میبرد که وابستگی فضایی بین مشاهدات را به صراحت در نظر میگیرند. این روش نمونههای پسین را از مدلهایی مانند مدلهای خودرگرسیو شرطی (CAR)، خودرگرسیو همزمان (SAR)، یا ژئواستاتستیکی (فرایند گوسی) استخراج میکند و توزیعهای عدم قطعیت کامل را برای پارامترهای ساختاریافته فضایی مانند اثرات تصادفی، ضرایب رگرسیون و دامنه فضایی ارائه میدهد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Spatial Models. ScholarGate. https://scholargate.app/fa/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.
- نمونهگیری گیبسبیزی↔ compare
- هامیلتونی مونت کارلوبیزی↔ compare
- استنتاج بیزی سلسلهمراتبیبیزی↔ compare
- استنتاج بیزی فضاییبیزی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →