Przestrzenne MCMC
Przestrzenne MCMC stosuje próbkowanie łańcuchami Markowa metodą Monte Carlo do modeli bayesowskich, które jawnie uwzględniają przestrzenne zależności między obserwacjami. Pobiera próbki z rozkładu a posteriori z modeli takich jak warunkowe autoregresyjne (CAR), jednoczesne autoregresyjne (SAR) lub geostatystyczne (procesy Gaussa), generując pełne rozkłady niepewności dla parametrów o strukturze przestrzennej, takich jak efekty losowe, współczynniki regresji i zasięg przestrzenny.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Spatial Models. ScholarGate. https://scholargate.app/pl/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.
- Próbkowanie GibbsaStatystyka bayesowska↔ compare
- Hamiltonian Monte CarloStatystyka bayesowska↔ compare
- Hierarchiczna inferencja bayesowskaStatystyka bayesowska↔ compare
- Przestrzenne wnioskowanie bayesowskieStatystyka bayesowska↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →