Telpiskā MCMC
Telpiskā MCMC piemēro Markova ķēdes Montekarlo (MCMC) izlasi beijesiskajiem modeļiem, kas tieši ņem vērā novērojumu telpisko atkarību. Tā iegūst aizmugurējās izlases no tādiem modeļiem kā nosacītie autoregresīvie (CAR), sinhronie autoregresīvie (SAR) vai ģeostatistiskie (Gausa process) modeļi, nodrošinot pilnas nenoteiktības sadalījumus telpiski strukturētiem parametriem, piemēram, nejaušiem efektiem, regresijas koeficientiem un telpiskajam diapazonam.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Spatial Models. ScholarGate. https://scholargate.app/lv/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 SamplingBajesa metodes↔ compare
- Hamiltona MontekarloBajesa metodes↔ compare
- Hierarhiskā Bayesas inferencēšanaBajesa metodes↔ compare
- Telpiskā beijesiska inferencēšanaBajesa metodes↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →