ScholarGate
Asistent
Regression modelGIS / spatial

Bayesijanska multiskalna geografski ponderirana regresija

Bayesijanska multiskalna geografski ponderirana regresija (Bayesian MGWR) proširuje MGWR okvir postavljanjem Bayesijanskih apriornih distribucija na svaki prostorno varijabilni koeficijent. Svakom prediktoru dopušteno je vlastito propusno područje — vlastita geografska skala utjecaja — dok Bayesijansko zaključivanje zamjenjuje klasično "back-fitting" uzorkovanjem apriornih distribucija, što rezultira potpunom kvantifikacijom nesigurnosti za svaku lokalnu površinu koeficijenta.

Otvorite u MethodMindUskoroVideoUskoroPreuzmi prezentaciju

Pročitajte cijelu metodu

Samo za članove

Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.

Prijavite se

Karta metoda

Okruženje srodnih metoda — odaberite čvor za istraživanje.

Izvori

  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

Kako citirati ovu stranicu

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

Koja metoda?

Postavite ovu metodu uz njoj najsrodnije i pročitajte ih jednu uz drugu — knjižnica vam knjige stavlja na stol; izbor je na vama.

Usporedi jedno uz drugo
ScholarGateBayesian Multiscale Geographically Weighted Regression (Bayesian Multiscale Geographically Weighted Regression). Preuzeto 2026-06-15 s https://scholargate.app/hr/spatial-analysis/bayesian-multiscale-geographically-weighted-regression · Skup podataka: https://doi.org/10.5281/zenodo.20539026