เปรียบเทียบวิธี

	Bayesian Multiscale Geographically Weighted Regression	การถดถอยเชิงพื้นที่แบบเบย์
สาขาวิชา	การวิเคราะห์เชิงพื้นที่	การวิเคราะห์เชิงพื้นที่
ตระกูล	Regression model	Regression model
ปีกำเนิด	2017-2020	1990s–2000s
ผู้ริเริ่ม	Fotheringham, Yang & Kang (MGWR); Bayesian extension by Li and co-authors	Banerjee, Carlin & Gelfand (foundational treatment); building on Besag (1974) for lattice priors
ประเภท	Spatially varying coefficient regression	Bayesian hierarchical regression
แหล่งต้นตำรับ	Fotheringham, A. S., Yang, W., & Kang, W. (2017). Multiscale Geographically Weighted Regression (MGWR). Annals of the American Association of Geographers, 107(6), 1247-1265.	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 MGWR, B-MGWR, Bayesian multiscale GWR, Bayesian spatially varying coefficient model	Bayesian hierarchical spatial model, BSR, Bayesian geostatistical regression, Bayesian spatial linear model
ที่เกี่ยวข้อง	6	3
สรุป	Bayesian Multiscale Geographically Weighted Regression (Bayesian MGWR) extends the MGWR framework by placing Bayesian priors on each spatially varying coefficient. Each predictor is allowed its own bandwidth — its own geographic scale of influence — while Bayesian inference replaces classical back-fitting with posterior sampling, yielding full uncertainty quantification for every local coefficient surface.	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.