Байесовские локальные индикаторы пространственной ассоциации (Байесовский LISA)
Bayesian Local Indicators of Spatial Association (Bayesian LISA) расширяют классическую структуру LISA, встраивая локальные статистики пространственной ассоциации в иерархическую байесовскую модель. Вместо того чтобы полагаться на асимптотические тесты значимости на основе перестановок, этот подход накладывает априорные распределения на пространственные параметры и выводит апостериорные вероятности того, что локация является частью истинного пространственного кластера, учитывая неопределенность и заимствуя силу у соседних единиц.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- Anselin, L. (1995). Local indicators of spatial association—LISA. Geographical Analysis, 27(2), 93–115. DOI: 10.1111/j.1538-4632.1995.tb00338.x ↗
- Banerjee, S., Carlin, B. P., & Gelfand, A. E. (2004). Hierarchical Modeling and Analysis for Spatial Data. Chapman and Hall/CRC. ISBN: 978-1584884101
Как цитировать эту страницу
ScholarGate. (2026, June 3). Bayesian Local Indicators of Spatial Association. ScholarGate. https://scholargate.app/ru/spatial-analysis/bayesian-local-indicators-of-spatial-association
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Байесовский пространственный автокорреляционный анализПространственный анализ↔ сравнить
- Локальный коэффициент Geary's CПространственный анализ↔ сравнить
- Локальный анализ Getis-Ord Gi* (анализ горячих точек)Пространственный анализ↔ сравнить
- Локальные индикаторы пространственной ассоциации (LISA)Пространственный анализ↔ сравнить
- Локальный индекс пространственной автокорреляции (LISA)Пространственный анализ↔ сравнить
- Пространственная автокорреляцияПространственный анализ↔ сравнить
Упоминается в
Similar methods
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →