เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| การประมาณค่าความหนาแน่นของเคอร์เนลแบบเบย์ (Bayesian Kernel Density Estimation)× | การถดถอยเชิงพื้นที่แบบเบย์× | |
|---|---|---|
| สาขาวิชา | การวิเคราะห์เชิงพื้นที่ | การวิเคราะห์เชิงพื้นที่ |
| ตระกูล | Regression model | Regression model |
| ปีกำเนิด≠ | 1995 | 1990s–2000s |
| ผู้ริเริ่ม≠ | Hjort & Glad (1995); extended by various authors in Bayesian nonparametrics | Banerjee, Carlin & Gelfand (foundational treatment); building on Besag (1974) for lattice priors |
| ประเภท≠ | Nonparametric density estimation | Bayesian hierarchical regression |
| แหล่งต้นตำรับ≠ | Hjort, N. L., & Glad, I. K. (1995). Nonparametric density estimation with a parametric start. The Annals of Statistics, 23(3), 882–904. DOI ↗ | Banerjee, S., Carlin, B. P., & Gelfand, A. E. (2015). Hierarchical Modeling and Analysis for Spatial Data (2nd ed.). CRC Press. ISBN: 978-1439819173 |
| ชื่อเรียกอื่น | Bayesian KDE, BKDE, Bayesian nonparametric density estimation, Bayesian adaptive KDE | Bayesian hierarchical spatial model, BSR, Bayesian geostatistical regression, Bayesian spatial linear model |
| ที่เกี่ยวข้อง≠ | 5 | 3 |
| สรุป≠ | Bayesian Kernel Density Estimation (BKDE) is a nonparametric method for estimating the probability density function of a spatial or attribute variable by combining a kernel smoother with a Bayesian prior over the bandwidth parameter. The posterior distribution of the bandwidth propagates uncertainty into the final density estimate rather than treating the bandwidth as a fixed tuning constant. | Bayesian Spatial Regression embeds a spatially structured random effect into a regression framework and estimates all parameters — including spatial range and variance — through posterior inference rather than point estimation. It handles spatial autocorrelation, quantifies full predictive uncertainty, and accommodates small or irregular spatial datasets via hierarchical priors. |
| ScholarGateชุดข้อมูล ↗ |
|
|