تحلیل بیزی مدل فضایی گاوسی با خطای اندازه‌گیری در پیش‌گوها

عدم قطعیت یکی از ویژ گی های ذاتی در بسیاری از داده های زیستی، زمین آماری و جغرافیایی، به عنوان داده های فضایی است، که در اغلب اوقات ناشی از وجود خطا در اندازه گیری کمیت های مورد مطالعه است. این در حالی است که در نظر نگرفتن این موضوع می تواند اعتبار نتایج حاصل از تحلیل داده ها را زیر سوال برده و براوردهای حاصل را دچار تورم واریانس و اریبی قابل توجهی نماید. در این مقاله، به تحلیل مدل فضایی گاوسی با خطای اندازه گیری در پیش گوها در قالب یک چارچوب بیزی پرداخته خواهد شد. با توجه به پیچیدگی شکل توزیع پسین، نمونه گیری از این توزیع به کمک الگوریتم های مونت کارلوی زنجیر مارکفی و روش داده افزایی انجام خواهد شد. سرانجام عملکرد مدل پیشنهادی را در مقایسه با نتایج تحلیل مدل ناپخته به کمک شبیه سازی ارزیابی می شود.

Analysis of Gaussian Spatial Models with Covariate Measurement Error

Uncertainty is an inherent characteristic of biological and geospatial data which is almost made by measurement error in the observed values of the quantity of interest. Ignoring measurement error can lead to biased estimates and inflated variances and so an inappropriate inference. In this paper, the Gaussian spatial model is fitted based on covariate measurement error. For this purpose, we adopt the Bayesian approach and utilize the Markov chain Monte Carlo algorithms and data augmentations to carry out calculations. The methodology is illustrated using simulated data.