ارزیابی بیزی مدل رگرسیون فضایی چوله با میدان تصادفی چوله گاوسی منعطف با استفاده از الگوریتم مونت کارلو همیلتونی

در عمل توزیع داده های فضایی دارای چولگی هستند که به دلیل پیچیدگی های ذاتی آن ها، مدل سازی آماری را با چالش های جدی مواجه می سازد. مدل های میدان تصادفی چوله گاوسی چارچوبی منعطف برای تحلیل این نوع داده ها فراهم می کنند، اما بسیاری از آن ها با مشکلاتی مانند پیچیدگی محاسباتی و عدم شناسایی پذیری پارامترها روبه رو هستند که دقت تحلیل را کاهش می دهد.در این مقاله، یک مدل رگرسیون فضایی بر پایه ی توزیع چوله نرمال بسته ی منعطف توسعه داده شده است که دارای مزایایی چون شناسایی پذیری کامل، بسته بودن تحت حاشیه سازی و شرطی سازی، و انعطاف پذیری بالا در مدل سازی ساختارهای پیچیده ی فضایی است. تحلیل بیزی مدل با بهره گیری از الگوریتم مونت کارلو همیلتونی انجام شده است؛ روشی پیشرفته در چارچوب الگوریتم های زنجیر مارکوفی که با استفاده از مشتقات توزیع هدف، نرخ پذیرش و سرعت همگرایی را افزایش می دهد.برای ارزیابی عملکرد مدل پیشنهادی، یک مطالعه شبیه سازی انجام شده و نتایج حاصل از روش مونت کارلو همیلتونی با روش های کلاسیک زنجیر مارکوفی مونت کارلو مقایسه شده است. نتایج بیانگر بهبود در دقت و کارایی الگوریتم پیشنهادی هستند. همچنین، مدل پیشنهادی توانایی بالایی در تحلیل داده های فضایی با ابعاد بالا دارد.

کلیدواژه ها:

توزیع چوله نرمال بسته ، شناسایی پذیری ، تغییرنگار تجربی فضایی ، روش مونت کارلو همیلتونی