Spatial MCMC
Spatial MCMC soveltaa Markovin ketjun Monte Carlo -otantaa Bayesiläisiin malleihin, jotka huomioivat eksplisiittisesti havaintojen välisen spatiaalisen riippuvuuden. Se tuottaa posteriorisia otoksia malleista, kuten ehdollisista autoregressiivisistä (CAR), samanaikaisista autoregressiivisistä (SAR) tai geostatistisista (Gaussinen prosessi) malleista, antaen täydelliset epävarmuusjakaumat spatiaalisesti strukturoituneille parametreille, kuten satunnaisvaikutuksille, regressiokertoimille ja spatiaaliselle kantamalle.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Spatial Models. ScholarGate. https://scholargate.app/fi/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-otantaBayesilainen tilastotiede↔ compare
- Hamiltonin Monte CarloBayesilainen tilastotiede↔ compare
- Hierarkkinen Bayesiläinen päättelyBayesilainen tilastotiede↔ compare
- Tilastollinen päättely Bayes-menetelmillä avaruudellisessa kontekstissaBayesilainen tilastotiede↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →