Пространственный MCMC
Пространственный MCMC применяет выборку Марковских цепей Монте-Карло к байесовским моделям, которые явно учитывают пространственную зависимость между наблюдениями. Он извлекает апостериорные выборки из таких моделей, как условные авторегрессионные (CAR), одновременные авторегрессионные (SAR) или геостатистические (гауссовские процессы) модели, предоставляя полные распределения неопределенности для пространственно структурированных параметров, таких как случайные эффекты, регрессионные коэффициенты и пространственный диапазон.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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
Как цитировать эту страницу
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Spatial Models. ScholarGate. https://scholargate.app/ru/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.
- Сэмплирование по ГиббсуБайесовские методы↔ compare
- Гамильтонов Монте-КарлоБайесовские методы↔ compare
- Иерархический байесовский выводБайесовские методы↔ compare
- Пространственный байесовский выводБайесовские методы↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →