ScholarGate
Assistent
Regression modelGIS / spatial

Bayesiaanse Multiscale Geografisch Gewogen Regressie

Bayesiaanse Multiscale Geografisch Gewogen Regressie (Bayesian MGWR) breidt het MGWR-raamwerk uit door Bayesiaanse priors te plaatsen op elke ruimtelijk variërende coëfficiënt. Elke predictor krijgt zijn eigen bandbreedte — zijn eigen geografische schaal van invloed — terwijl Bayesiaanse inferentie klassieke back-fitting vervangt door posterior sampling, wat resulteert in volledige onzekerheidskwantificering voor elk lokaal coëfficiëntoppervlak.

Openen in MethodMindBinnenkortVideoBinnenkortDia's downloaden

Lees de volledige methode

Alleen voor leden

Log in met een gratis account om dit onderdeel te lezen.

Inloggen

Methodenkaart

De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.

Bronnen

  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

Deze pagina citeren

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

Welke methode?

Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.

Naast elkaar vergelijken
ScholarGateBayesian Multiscale Geographically Weighted Regression (Bayesian Multiscale Geographically Weighted Regression). Geraadpleegd op 2026-06-15 via https://scholargate.app/nl/spatial-analysis/bayesian-multiscale-geographically-weighted-regression · Gegevensset: https://doi.org/10.5281/zenodo.20539026