Пространственное байесовское усреднение моделей
Пространственное байесовское усреднение моделей (spatial BMA) расширяет классическое BMA на случаи, когда наблюдения являются геопривязанными и необходимо моделировать пространственную зависимость. Вместо выбора одной пространственной регрессионной модели — какую матрицу пространственных весов использовать, какие регрессоры включить, какую структуру пространственного лага или ошибки принять — оно усредняет предсказания и оценки параметров по всем кандидатным моделям, взвешивая каждую по ее апостериорной вероятности при заданных данных.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- LeSage, J. P. & Pace, R. K. (2009). Introduction to Spatial Econometrics. CRC Press / Taylor & Francis. ISBN: 978-1420064247
- Fernandez, C., Ley, E. & Steel, M. F. J. (2001). Benchmark priors for Bayesian model averaging. Journal of Econometrics, 100(2), 381-427. DOI: 10.1016/S0304-4076(00)00076-2 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Spatial Bayesian Model Averaging. ScholarGate. https://scholargate.app/ru/bayesian/spatial-bayesian-model-averaging
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.
- Байесовское усреднение моделейБайесовские методы↔ compare
- Байесовская регрессияБайесовские методы↔ compare
- Иерархический байесовский выводБайесовские методы↔ compare
- Пространственный байесовский выводБайесовские методы↔ compare
- Пространственный вариационный выводБайесовские методы↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →