Spatial MCMC
Spatial MCMC anvender Markov chain Monte Carlo-sampling på Bayesianske modeller som eksplisitt tar hensyn til romlig avhengighet blant observasjoner. Den trekker posteriorprøver fra modeller som betingede autoregressive (CAR), simultane autoregressive (SAR) eller geostatistiske (Gaussisk prosess) modeller, og gir fulle usikkerhetsfordelinger for romlig strukturerte parametere som tilfeldige effekter, regresjonskoeffisienter og romlig rekkevidde.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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
Slik siterer du denne siden
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Spatial Models. ScholarGate. https://scholargate.app/no/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-samplingBayesiansk↔ compare
- Hamiltonian Monte CarloBayesiansk↔ compare
- Hierarkisk Bayesiansk InferensBayesiansk↔ compare
- Romlig Bayesiansk inferensBayesiansk↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →