用于局部时间变异的贝叶斯时空条件自回归模型
Bayesian spatiotemporal conditional autoregressive model for local temporal variations
浏览论文内容
中文总结 AI 辅助
本文提出一种基于条件自回归模型的贝叶斯时空建模框架，通过结合空间邻近和时间相邻信息实现局部自适应时间平滑，并开发吉布斯采样算法，数值实验验证其能有效适应局部时间变化。
中文摘要 AI 辅助
时空区域数据常见于流行病学、社会科学、经济学等多个领域。为了同时捕捉空间趋势和时间趋势，通常采用时空建模，而条件自回归（CAR）模型是区域数据建模中最广泛使用的方法之一。本文基于CAR模型提出了一种估计时空趋势的新框架。所提出的方法通过有效利用空间邻近区域和时间相邻时间点的信息，提供局部自适应的时问平滑，同时产生可解释的时间趋势。我们还开发了一种吉布斯采样算法，并通过数值示例展示了所提方法适应局部时间变化的能力。
英文摘要
Spatiotemporal areal data are commonly observed in various fields such including epidemiology, social science, economics and so on. To capture both spatial trends and temporal trends, spatiotemporal modeling is often employed, and the conditional autoregressive (CAR) model is one of the most widely used approaches for modeling areal data. This paper proposes a new framework for estimating spatiotemporal trends based on the CAR model. The proposed method provides locally adaptive temporal smoothing while yielding interpretable temporal trends by effectively utilizing information from both spatially neighboring areas and temporally adjacent time points. We also develop a Gibbs sampling algorithm and demonstrate the ability of the proposed method to adapt to to local temporal changes through numerical examples.
发表机构
- Graduate School of Social Sciences, Chiba University（千叶大学社会科学研究生院）
- Department of Mathematics, Hiroshima University（广岛大学数学系）
机构由 AI 辅助整理，请以论文原文为准。
