ScholarGate
دستیار
Regression modelGIS / spatial

رگرسیون وزنی جغرافیایی چندمقیاسی بیزی

رگرسیون وزنی جغرافیایی چندمقیاسی بیزی (Bayesian MGWR) چارچوب MGWR را با اعمال پیشایندهای بیزی بر هر ضریب متغیر مکانی گسترش می‌دهد. به هر پیش‌بینی‌کننده اجازه داده می‌شود تا پهنای باند (مقیاس جغرافیایی نفوذ) خود را داشته باشد، در حالی که استنتاج بیزی، جایگزین برازش پسین کلاسیک با نمونه‌برداری پسین می‌شود و منجر به تعیین کامل عدم قطعیت برای هر سطح ضریب محلی می‌گردد.

باز کردن در MethodMindبه‌زودیویدیوبه‌زودیDownload slides

مطالعهٔ کامل روش

ویژهٔ اعضا

برای خواندن این بخش با حساب رایگان وارد شوید.

ورود

Method map

The neighbourhood of related methods — select a node to explore.

منابع

  1. Fotheringham, A. S., Yang, W., & Kang, W. (2017). Multiscale Geographically Weighted Regression (MGWR). Annals of the American Association of Geographers, 107(6), 1247-1265. DOI: 10.1080/24694452.2017.1352480
  2. Li, Z., Fotheringham, A. S., Li, W., & Oshan, T. (2020). Fast Geographically Weighted Regression (FastGWR): a scalable algorithm to investigate spatial process heterogeneity in millions of observations. International Journal of Geographical Information Science, 33(1), 155-175. DOI: 10.1080/13658816.2018.1521523

نحوهٔ استناد به این صفحه

ScholarGate. (2026, June 3). Bayesian Multiscale Geographically Weighted Regression. ScholarGate. https://scholargate.app/fa/spatial-analysis/bayesian-multiscale-geographically-weighted-regression

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.

Compare side by side
ScholarGateBayesian Multiscale Geographically Weighted Regression (Bayesian Multiscale Geographically Weighted Regression). بازیابی‌شده در 2026-06-15 از https://scholargate.app/fa/spatial-analysis/bayesian-multiscale-geographically-weighted-regression · مجموعه‌داده: https://doi.org/10.5281/zenodo.20539026