Modelling Spatially Correlated Data via Mixtures: A Bayesian Approach
通过混合模型刻画空间相关数据：贝叶斯方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究疾病制图中的空间混合模型，空间相关本身不足以归入网络与干扰等所列方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
通过混合模型刻画空间相关数据：贝叶斯方法
- 研究问题
- 对于具有给定空间关系的不规则点或区域数据，如何通过随位置变化的混合权重建模空间相关，并推断未知的成分数？
- 方法与思路
- 作者为 Poisson 数据设定 gamma 先验，以自回归高斯过程的变换构造两类空间权重模型，并用可逆跳跃 MCMC 进行后验推断。
- 材料陈述的贡献
- 摘要称提出成分标签可交换与有序的两种模型及相应推断算法，并在合成数据和罕见疾病死亡数据上考察其表现。
- 阅读关注点
- 应核对空间关系与权重变换的设定、成分数先验及可逆跳跃步骤，以及标签安排、模型可识别性和后验计算诊断。
- 阅读边界
- 仅据所给 Crossref 摘要，未核对全文或版本差异。模型限定为空间位置间仅权重变化；摘要未给模型比较数值或普遍优越性结论。
原文摘要
Summary The paper develops mixture models for spatially indexed data. We confine attention to the case of finite, typically irregular, patterns of points or regions with prescribed spatial relationships, and to problems where it is only the weights in the mixture that vary from one location to another. Our specific focus is on Poisson-distributed data, and applications in disease mapping. We work in a Bayesian framework, with the Poisson parameters drawn from gamma priors, and an unknown number of components. We propose two alternative models for spatially dependent weights, based on transformations of autoregressive Gaussian processes: in one (the logistic normal model), the mixture component labels are exchangeable; in the other (the grouped continuous model), they are ordered. Reversible jump Markov chain Monte Carlo algorithms for posterior inference are developed. Finally, the performances of both of these formulations are examined on synthetic data and real data on mortality from a rare disease.