Methodenbewijsdossier

Spatial MCMC

Spatial MCMC applies Markov chain Monte Carlo sampling to Bayesian models that explicitly account for spatial dependence among observations. It draws posterior samples from models such as conditional autoregressive (CAR), simultaneous autoregressive (SAR), or geostatistical (Gaussian process) models, yielding full uncertainty distributions for spatially structured parameters like random effects, regression coefficients, and spatial range.

Sources recorded, not reviewed

Bronrecord

Citaten letterlijk overgenomen uit het bronrecord van de methode. Hieruit wordt geen verificatie op claimniveau afgeleid.

Markov Chain Monte Carlo for Spatial Models

Taxonomisch methodendossier · bayesian / bayesian

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

Volledige methode openen

Gecureerde claims

Claims opgeslagen in het bewijsregister, elk met zijn eigen beoordeling.

Nog geen gecureerde claims

Deze weergave verzint geen claimbeoordeling als het register er geen heeft.

Gerelateerde methoden

Gegenereerd uit de methodegraaf en getoond als machinaal voorgestelde relaties — er wordt geen bewijsclaim afgeleid.

Taxonomic bucketGibbs Samplingmachine-suggested · Relational suggestion, not evidence.Same method familyHamiltonian Monte Carlomachine-suggested · Relational suggestion, not evidence.Taxonomic bucketHierarchical Bayesian Inferencemachine-suggested · Relational suggestion, not evidence.Taxonomic bucketSpatial Bayesian Inferencemachine-suggested · Relational suggestion, not evidence.