Regression modelGIS / spatial

Bayesiläinen moniskaalainen maantieteellisesti painotettu regressio

Bayesiläinen moniskaalainen maantieteellisesti painotettu regressio (Bayesian MGWR) laajentaa MGWR-kehystä asettamalla Bayesiläiset priorijakaumat jokaiselle paikkasidonnaisesti vaihtelevan kertoimen kohdalle. Jokaiselle ennustemuuttujalle sallitaan oma kaistanleveys – oma maantieteellinen vaikutusaste – samalla kun Bayesiläinen päättely korvaa klassisen takaisinsovittamisen posteriorijakauman otannalla, tuottaen täydellisen epävarmuuden kvantifioinnin jokaiselle paikalliselle kerroinpinnalle.

Avaa sovelluksessa MethodMindTulossaVideoTulossaDownload slides

Lue koko menetelmä

Vain jäsenille

Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.

Kirjaudu sisään

Method map

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

Lähteet

  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

Näin viittaat tähän sivuun

ScholarGate. (2026, June 3). Bayesian Multiscale Geographically Weighted Regression. ScholarGate. https://scholargate.app/fi/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). Haettu 2026-06-15 osoitteesta https://scholargate.app/fi/spatial-analysis/bayesian-multiscale-geographically-weighted-regression · Aineisto: https://doi.org/10.5281/zenodo.20539026