Regression modelGIS / spatial

Bayesian Multiscale Geographically Weighted Regression

Bayesian Multiscale Geographically Weighted Regression (Bayesian MGWR) rozszerza ramy MGWR poprzez przypisanie apriorycznych rozkładów Bayesa do każdego współczynnika o zmienności przestrzennej. Każdy predyktor otrzymuje własną szerokość pasma — własną skalę przestrzenną wpływu — podczas gdy wnioskowanie Bayesa zastępuje klasyczne dopasowanie wsteczne próbkowaniem aposteriornym, co prowadzi do pełnej kwantyfikacji niepewności dla każdej lokalnej powierzchni współczynnika.

Otwórz w MethodMindWkrótceWideoWkrótceDownload slides

Przeczytaj pełny opis metody

Tylko dla członków

Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.

Zaloguj się

Method map

The neighbourhood of related methods — select a node to explore.

Źródła

  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

Jak cytować tę stronę

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

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.

Compare side by side
ScholarGateBayesian Multiscale Geographically Weighted Regression (Bayesian Multiscale Geographically Weighted Regression). Pobrano 2026-06-15 z https://scholargate.app/pl/spatial-analysis/bayesian-multiscale-geographically-weighted-regression · Zbiór danych: https://doi.org/10.5281/zenodo.20539026