Térbeli MCMC
A Térbeli MCMC (Spatial MCMC) a Markov-lánc Monte Carlo mintavételezést alkalmazza olyan Bayes-i modellekre, amelyek explicit módon figyelembe veszik az észlelések közötti térbeli függőséget. Utólagos mintákat húz olyan modellekből, mint a feltételes autoregresszív (CAR), szimultán autoregresszív (SAR) vagy geostatisztikai (Gauss-folyamat) modellek, teljes bizonytalansági eloszlásokat eredményezve a térben strukturált paraméterekre, mint a véletlen hatások, regressziós együtthatók és a térbeli terjedelem.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Spatial Models. ScholarGate. https://scholargate.app/hu/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-mintavételBayes-statisztika↔ compare
- Hamiltonian Monte CarloBayes-statisztika↔ compare
- Hierarchikus Bayes-féle következtetésBayes-statisztika↔ compare
- Térbeli Bayes-i következtetésBayes-statisztika↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →