Bayesian Multiscale Geographically Weighted Regression
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.
Запис джерела
Цитати скопійовано дослівно з вихідного запису методу. Вони не передбачають перевірки на рівні тверджень.
- Fotheringham, A. S., Yang, W., & Kang, W. (2017). Multiscale Geographically Weighted Regression (MGWR). Annals of the American Association of Geographers, 107(6), 1247-1265. · DOI 10.1080/24694452.2017.1352480
- Li, Z., Fotheringham, A. S., Li, W., & Oshan, T. (2020). Fast Geographically Weighted Regression (FastGWR): a scalable algorithm to investigate spatial process heterogeneity in millions of observations. International Journal of Geographical Information Science, 33(1), 155-175. · DOI 10.1080/13658816.2018.1521523
Відібрані твердження
Твердження збережено в журналі доказів, кожне зі своєю оцінкою.
Цей перегляд не вигадує оцінку твердження, якщо в журналі її немає.
Пов'язані методи
Згенеровано з графа методів і показано як рекомендовані системою зв'язки — жодне твердження доказів не передбачається.