Spatial MCMC
Spatial MCMC ประยุกต์ใช้การสุ่มตัวอย่างแบบ Markov chain Monte Carlo (MCMC) กับแบบจำลองแบบเบย์ (Bayesian models) ที่พิจารณาความสัมพันธ์เชิงพื้นที่ (spatial dependence) ระหว่างข้อมูลสังเกตอย่างชัดเจน โดยจะทำการสุ่มตัวอย่างจาก posterior distribution ของแบบจำลอง เช่น แบบจำลอง autoregressive แบบมีเงื่อนไข (conditional autoregressive - CAR), แบบจำลอง autoregressive พร้อมกัน (simultaneous autoregressive - SAR), หรือแบบจำลองทางธรณีสถิติ (geostatistical - Gaussian process) ซึ่งให้การกระจายความไม่แน่นอน (uncertainty distributions) ที่สมบูรณ์สำหรับพารามิเตอร์ที่มีโครงสร้างเชิงพื้นที่ เช่น random effects, สัมประสิทธิ์การถดถอย (regression coefficients), และระยะห่างเชิงพื้นที่ (spatial range).
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Spatial Models. ScholarGate. https://scholargate.app/th/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.
- การสุ่มตัวอย่างแบบกิบบส์เบย์↔ compare
- Hamiltonian Monte Carloเบย์↔ compare
- การอนุมานแบบเบย์ตามลำดับชั้นเบย์↔ compare
- การอนุมานเชิงพื้นที่แบบเบย์ (Spatial Bayesian Inference)เบย์↔ compare