تحلیل مدل های شمارشی فضایی روی تعداد روزهای هوای ناسالم شهر تهران
Publish place: Iranian Statistical Society، Vol: 25، Issue: 1
Publish Year: 1399
Type: Journal paper
Language: Persian
View: 172
This Paper With 7 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
JR_ISS-25-1_003
Index date: 11 September 2022
تحلیل مدل های شمارشی فضایی روی تعداد روزهای هوای ناسالم شهر تهران abstract
داده های شمارشی فضایی در اغلب علوم مانند علوم محیطی، هواشناسی، زمین شناسی و پزشکی مشاهده می شود. برای تحلیل داده های رسته ای شمارشی که همبستگی مکانی در آن ها مشاهده می شود اغلب از مدل های خطی تعمیم یافته فضایی براساس توزیع های پواسونی (مدل فضایی پواسون-لگ نرمال) و دوجمله ای (مدل فضایی دوجمله ای-لوجیت نرمال) استفاده می شود. تابع درست نمایی این نوع مدل ها دارای پیچیدگی های تئوری و محاسباتی است. رهیافت بیزی به واسطه الگوریتم های مونت کارلویی زنجیر مارکوف یک راه حل برای برازش این مدل ها می تواند باشد، هرچند مشکلاتی از لحاظ نرخ پایین پذیرش نمونه ها و طولانی شدن زمان اجرای الگوریتم ها معمولا وجود دارد. یک راه کار مناسب استفاده از الگوریتم مونت کارلویی همیلتونی (هیبریدی) در رهیافت بیزی است. در این مقاله، روش جدید مونت کارلوی همیلتونی برای تحلیل بیزی مدل های شمارشی فضایی روی داده های آلودگی هوای شهر تهران مورد مطالعه قرار می گیرد. همچنین دو الگوریتم مونت کارلویی معمول زنجیر مارکوفی (گیبز و متروپولیس- هستینگس) و لانجوین-هستینگس برای رهیافت بیزی کامل مدل ها روی داده ها به کار گرفته می شوند. در نهایت با ملاک های تشخیصی، رهیافت مناسب برای تحلیل داده ها و پیشگویی در همه نقاط شهر معرفی می شود.
تحلیل مدل های شمارشی فضایی روی تعداد روزهای هوای ناسالم شهر تهران Keywords:
Spatial Count Models , Generalized Linear Models , Spatial Data , Hamiltonian Monte Carlo. , مدل های شمارشی فضایی , مدل های خطی تعمیم یافته , داده های فضایی , الگوریتم مونت کارلوی همیلتونی
تحلیل مدل های شمارشی فضایی روی تعداد روزهای هوای ناسالم شهر تهران authors
امید کریمی
Semnan University
فاطمه حسینی
Semnan University
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :