MCMC spatiale
La MCMC spatiale applique l'échantillonnage de Markov chain Monte Carlo aux modèles bayésiens qui tiennent explicitement compte de la dépendance spatiale entre les observations. Elle tire des échantillons postérieurs de modèles tels que les modèles autorégressifs conditionnels (CAR), autorégressifs simultanés (SAR) ou géostatistiques (processus gaussien), produisant des distributions d'incertitude complètes pour les paramètres structurés spatialement comme les effets aléatoires, les coefficients de régression et la portée spatiale.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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
Comment citer cette page
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Spatial Models. ScholarGate. https://scholargate.app/fr/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.
- Échantillonnage de GibbsBayésien↔ compare
- Monte Carlo HamiltonienBayésien↔ compare
- Inférence bayésienne hiérarchiqueBayésien↔ compare
- Inférence bayésienne spatialeBayésien↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →