Bayesian Moran's I
Bayesian Moran's I Spatial Autocorrelation Test · Ayrıca şöyle bilinir: Bayesian spatial autocorrelation test, Bayesian Moran statistic, Moran's I under Bayesian inference, Bayesian global spatial association
Bayesian Moran's I, klasik Moran's I uzamsal otokorelasyon testini bir Bayesci olasılıksal çerçeveye yerleştirir. Tek bir p-değeri üretmek yerine, uzamsal otokorelasyon parametresi üzerinde bir sonsal dağılım verir; bu da belirsizlik ölçümüne, önsel bilginin dahil edilmesine ve küçük veya düzensiz uzamsal veri kümelerinde daha ilkeli çıkarıma olanak tanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Belirsizlik ölçümü için uzamsal otokorelasyon derecesi etrafında belirsizlik ölçümüne ihtiyaç duyduğunuzda, örneklem boyutları klasik asimptotik yaklaşımların güvenilir olamayacak kadar küçük olduğunda veya uzamsal yapı hakkında önemli önsel bilginin mevcut olduğu ve resmi olarak dahil edilmesi gerektiği durumlarda Bayesian Moran's I'yı kullanın. Uzamsal ağırlıklar matrisinin belirsiz olduğu veya ikili bir anlamlılık kararı yerine tam bir olasılıksal çıktı istediğinizde de uygundur. Basit bir klasik Moran's I testinin yeterli olduğu durumlarda, MCMC'nin hesaplama yükü önemli olduğundan ve asimptotik çıkarımın iyi davrandığı büyük, temiz veri kümeleri için haklı çıkarılamayabileceğinden, doğrudan bir yerine koyma olarak kullanmayın.
Güçlü yönler & sınırlılıklar
- Sadece bir nokta tahmini ve p-değeri değil, uzamsal otokorelasyon parametresi üzerinde tam bir sonsal dağılım verir.
- Klasik asimptotik normal varsayımların bozulduğu küçük örneklemleri doğal olarak ele alır.
- Beklenen uzamsal bağımlılık hakkındaki önsel bilginin resmi olarak dahil edilmesine izin verir.
- Belirsizliği doğrudan ölçen yorumlanabilir güven aralıkları sağlar.
- Eşzamanlı olarak otokorelasyonu ve diğer uzamsal etkileri tahmin eden hiyerarşik modellere genişletilebilir.
- Hesaplama açısından yoğundur — MCMC örneklemesi çok sayıda yineleme ve yakınsama tanıları gerektirir.
- Sonsal çıkarım, küçük örneklem boyutlarında önsel seçimine duyarlıdır.
- Uzamsal ağırlıklar matrisinin belirlenmesini gerektirir ve sonuçlar farklı ağırlıklandırma şemalarına göre değişebilir.
- Yazılım uygulamaları klasik Moran's I'ya göre daha az standartlaştırılmıştır; kullanıcıların Bayesci hesaplama konusunda aşinalığa ihtiyacı vardır (örneğin, R paketleri spatialreg veya Stan gibi).
SSS
Bayesian Moran's I, klasik Moran's I testinden nasıl farklıdır?
Klasik Moran's I, asimptotik veya permütasyon tabanlı sıfır dağılımlarına dayanan tek bir test istatistiği ve bir p-değeri üretir. Bayesian Moran's I, tam belirsizlik ölçümüne olanak tanımak ve asimptotik yaklaşımlara güvenmekten kaçınmak için otokorelasyon parametresi üzerindeki bir önsel'i veri olabilirlik fonksiyonu ile birleştirerek bir sonsal dağılım verir.
Otokorelasyon parametresi için hangi önsel'i kullanmalıyım?
Yaygın bir seçim, ρ'nun geçerli aralığı (W'nun özdeğerleri tarafından belirlenir) üzerindeki düzgün bir önsel'dir. Eğer önemli alan bilginiz varsa — örneğin, ekolojik teori orta derecede pozitif kümelenme öngörüyorsa — zayıf bilgilendirici bir Beta veya kesilmiş normal önsel uygun olabilir. Her zaman kullanılan önsel'i rapor edin ve duyarlılık analizi yapın.
MCMC'nin yakınsadığını nasıl değerlendiririm?
Dağınık başlangıç noktalarından birden fazla zincir çalıştırın ve durağanlık için iz grafiklerini inceleyin. Gelman-Rubin R-hat istatistiğini hesaplayın; 1.1'in altındaki değerler yakınsamayı gösterir. Etkin örneklem boyutunu (ESS) da kontrol edin; 400'ün altındaki değerler zincirin daha fazla yineleme gerektirdiğini gösterir.
Bayesian Moran's I'yı alan verileri yerine nokta verileri için kullanabilir miyim?
Evet, uygun bir uzamsal ağırlıklar matrisi oluşturduğunuz sürece — örneğin, ters mesafe veya k-en yakın komşulara dayalı. Bayesci mekanizma aynıdır; yalnızca ağırlıklar matrisi farklıdır.
Hangi yazılımlar Bayesian Moran's I'yı destekliyor?
spdep (klasik temel), spatialreg ve CARBayes gibi R paketleri Bayesci uzamsal modeller sunar. Stan ve JAGS özel Bayesci uzamsal otokorelasyon modelleri uygulayabilir. Python kullanıcıları uzamsal olarak yapılandırılmış bir olabilirlik fonksiyonu ile PyMC kullanabilir.
Kaynaklar
- Haining, R. (2003). Spatial Data Analysis: Theory and Practice. Cambridge University Press. ISBN: 9780521774611
- Lee, S.-I. (2001). Developing a bivariate spatial association measure: an integration of Pearson's r and Moran's I. Journal of Geographical Systems, 3(4), 369–385. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Moran's I Spatial Autocorrelation Test. ScholarGate. https://scholargate.app/tr/spatial-analysis/bayesian-morans-i
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesian Uzamsal OtokorelasyonMekânsal analiz↔ karşılaştır
- Bayes Uzamsal RegresyonMekânsal analiz↔ karşılaştır
- Geary'nin C'siMekânsal analiz↔ karşılaştır
- Mekansal İlişkinin Yerel Göstergeleri (LISA)Mekânsal analiz↔ karşılaştır
- Yerel Moran's I (LISA)Mekânsal analiz↔ karşılaştır
- Moran's IMekânsal analiz↔ karşılaştır