مهسا نادی فر - Faculty of Mathematical Sciences, Shahrood University of Technology, Iran.
حسین باغیشنی - Faculty of Mathematical Sciences, Shahrood University of Technology, Iran.
افشین فلاح - Faculty of Science, Imam Khomeini International University, Qazvin, Iran.

بسیاری از داده های فضایی-زمانی، به ویژه در پزشکی و تصویرسازی بیماری ها، شمارشی هستند. معمولا این نوع داده های شمارشی دارای تغییرپذیری مضاعفی هستند که کارایی مدل پواسون را برای تحلیل آن ها خدشه دار می کند. لحاظ کردن این تغییرپذیری در فرآیند مدل بندی، نقش مهمی در افزایش کارایی تحلیل داده های فضایی-زمانی شمارشی دارد. با این هدف، در این مقاله، یک مدل فضایی-زمانی بیزی جدید با انعطاف بالا برای مدل بندی پراکنش داده ها، به نام گامای شمارشی، معرفی شده است. برای برازش و استنباط این مدل، روش تقریب لاپلاس آشیانی جمع بسته به کار گرفته شده است. برای ارزیابی عملکرد مدل پیشنهادی در مقایسه با مدل های سنتی پواسون و دوجمله ای منفی، از یک مطالعه شبیه سازی استفاده شده است. افزون بر این، کاربست مدل در تحلیل داده های سرطان خون در استان خراسان رضوی، نشان داده شده است.

Spatial-Temporal Interaction, Over-Dispersion, Penalized Complexity Prior, Count Data, Gamma Count Model., اثر متقابل فضایی-زمانی, بیش پراکنش, توزیع پیشین با پیچیدگی تاوانیده, داده های شمارشی, مدل گامای شمارشی.