Bayes Uzamsal Gecikme Modeli
Bayesian Spatial Autoregressive Lag Model · Ayrıca şöyle bilinir: Bayesian SAR model, Bayesian spatial autoregressive model, BSLM, Bayesian SLM
Bayes Uzamsal Gecikme Modeli (BSLM), tüm parametrelere önsel dağılımlar atayarak ve MCMC örneklemesi yoluyla tam sonsal dağılımlar elde ederek klasik uzamsal otoregresif (SAR) regresyonu genişletir. Uzamsal bağımlılığı — bir yerdeki sonucun komşu yerlerdeki sonuçlar tarafından kısmen yönlendirilmesi — açıkça hesaba katar ve hem regresyon katsayılarının hem de uzamsal otokorelasyon parametresi rho'nun belirsizlik-nicelenmiş tahminlerini verir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sonuç değişkeniniz pozitif veya negatif uzamsal otokorelasyon (Moran'ın I'sı anlamlı) sergilediğinde ve bu bağımlılığın birimler arasındaki gerçek yayılmalardan kaynaklandığına inandığınızda — örneğin, suç yayılması, ekonomik büyüme bulaşıcılığı, hastalık yayılımı veya konut fiyatı kaskatları — Bayes Uzamsal Gecikme Modelini kullanın. Örneklem boyutları küçükten orta dereceye (birkaç yüzden az gözlem) olduğunda, rho'nun nokta tahmini ve asimptotik standart hatası yerine tam sonsal belirsizlik istediğinizde veya uzamsal bağımlılığın gücü hakkında bilgilendirici önsel bilgiyi dahil etmeniz gerektiğinde, sıklaştırmacı maksimum olabilirlik SAR tahminine tercih edilir. Uzamsal bağımlılık, sonuç yayılmaları yerine ilişkili hatalardan kaynaklandığında KULLANMAYIN — bu durumda Bayes Uzamsal Hata Modelini kullanın. Uzamsal ağırlık matrisi W'nin kötü tanımlandığı veya verilerin alan/ızgara yerine nokta örüntüsü olduğu durumlarda bundan kaçının.
Güçlü yönler & sınırlılıklar
- Tüm parametreler için tam sonsal dağılımlar sağlar, küçük örneklemlerde bile dürüst belirsizlik nicemlemesi sunar.
- Marjinal etkileri doğrudan ve dolaylı (yayılma) etkilere doğru bir şekilde ayırır; bunlar klasik OLS veya naif uzamsal modeller tarafından göz ardı edilir.
- Uzamsal gecikme belirtiminin eşzamanlı denklem doğasını büyük örneklem yaklaşımlarına dayanmadan ele alır.
- Uzamsal otokorelasyonun makul aralığı veya yönü hakkında önsel bilginin dahil edilmesine izin verir.
- Sonsal parametre belirsizliği üzerinden ortalama alındığı için orta derecede uzamsal ağırlık matrisi yanlış belirtilmesine karşı dayanıklıdır.
- Hesaplama açısından yoğundur: MCMC örneklemesi, Jacobian |I - rho*W| her iterasyonda değerlendirilmesi gerektiğinden, büyük uzamsal veri kümeleri (n > 10.000) için yavaş olabilir.
- Sonuçlar, teoriden nadiren benzersiz bir şekilde belirlenen uzamsal ağırlık matrisi W'nin seçimine bağlıdır.
- Dolaylı yayılma etkilerinin yorumlanması karmaşık olabilir ve uygulamalı çalışmalarda sıklıkla göz ardı edilir.
- MCMC zincirinin yakınsaması teşhis edilmelidir; kötü karışım güvenilmez sonsal özetlere yol açar.
- rho için dikkatli önsel belirtim gerektirir; aşırı sıkı bir önsel, küçük örneklemlerde olasılık fonksiyonunu domine edebilir.
SSS
Bayes Uzamsal Gecikme Modeli, uzamsal olarak otokorelasyonlu veriler üzerinde OLS çalıştırmaktan nasıl farklıdır?
OLS, sağ taraftaki Wy tarafından tanıtılan eşzamanlılığı göz ardı eder ve rho sıfır olmadığında yanlı ve tutarsız katsayı tahminleri verir. Bayes SAR modeli, uzamsal gecikmeyi endojen olarak ele alır, beta ve rho'nun yansız sonsal tahminlerini üretir ve marjinal etkileri hesaplarken geri besleme döngüsünü doğru bir şekilde hesaba katar.
Uzamsal ağırlık matrisi W'yi nasıl seçeceğim?
Yaygın seçimler, alan birimleri için bitişiklik matrisleri (kraliçe veya kale komşuluğu) veya konum verileri için ters mesafe matrisleridir. Belirtim, uzamsal etkileşimin gerçek mekanizmasını yansıtmalıdır. İki veya üç makul W matrisi üzerinden duyarlılık analizleri iyi bir uygulamadır; belirtimler boyunca rho'daki büyük değişiklikler kırılganlığı işaret eder.
Doğrudan ve dolaylı etkiler arasındaki fark nedir?
Bir kovaryetin doğrudan etkisi, kendi sonucuna olan ortalama etkisidir. Dolaylı (yayılma) etki, uzamsal çarpıcı (I - rho*W)^-1 aracılığıyla iletilen diğer tüm birimlerin sonuçları üzerindeki ortalama etkisidir. Toplam etki bunların toplamıdır. Marjinal etki olarak sadece beta_k'yı raporlamak, rho > 0 olduğunda tam tepkiyi hafife alır.
Kaç MCMC yinelemesi gereklidir?
Tipik bir uygulama, 10.000 ila 50.000 ısınma yinelemesi (atılmış) ve ardından 10.000 ila 100.000 tutulan örnek içerir. İzleme grafikleri, etkili örneklem boyutu ve Gelman-Rubin R-hat istatistiği, sonsal özetleri raporlamadan önce yeterli yakınsamayı doğrulamalıdır.
Ne zaman bunun yerine Bayes Uzamsal Hata Modeli tercih edilmelidir?
Uzamsal otokorelasyon, non-uzamsal bir regresyonun artıklarında göründüğünde ancak bir birimin sonucunun komşularındaki sonuçları doğrudan tetiklemediği düşünüldüğünde Uzamsal Hata Modeli tercih edilir — yani, bağımlılık gerçek yayılmalar yerine eksik uzamsal olarak ilişkili kovaryetleri yansıtır. Sıklaştırmacı literatürdeki sağlam LM testleri veya Bayes ortamındaki DIC/WAIC model karşılaştırmaları seçime rehberlik edebilir.
Kaynaklar
- LeSage, J. P., & Pace, R. K. (2009). Introduction to Spatial Econometrics. CRC Press / Taylor & Francis. ISBN: 978-1420064247
- LeSage, J. P. (1997). Bayesian Estimation of Spatial Autoregressive Models. International Regional Science Review, 20(1-2), 113-129. DOI: 10.1177/016001769702000107 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Spatial Autoregressive Lag Model. ScholarGate. https://scholargate.app/tr/spatial-analysis/bayesian-spatial-lag-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes Uzamsal Durbin ModeliMekânsal analiz↔ karşılaştır
- Bayes Uzamsal Hata ModeliMekânsal analiz↔ karşılaştır
- Coğrafi Ağırlıklı Regresyon (GWR)Mekânsal analiz↔ karşılaştır
- Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır
- Mekansal Gecikme Modeli (SAR / Mekansal Otokorelatif)Mekânsal analiz↔ karşılaştır