تحليل بيزي مدل فضايي گاوسي با خطاي اندازه‌گيري در پيش‌گوها

Analysis of Gaussian Spatial Models with Covariate Measurement Error

عدم قطعيت يكي از ويژ‌گي‌هاي ذاتي در بسياري از داده‌هاي زيستي، زمين‌آماري و جغرافيايي، به عنوان داده‌هاي فضايي است، كه در اغلب اوقات ناشي از وجود خطا در اندازه‌گيري‌ كميت‌هاي مورد مطالعه است. اين در حالي است كه در نظر نگرفتن اين موضوع مي‌تواند اعتبار نتايج حاصل از تحليل داده‌ها را زير سؤال برده و براوردهاي حاصل را دچار تورم واريانس و اريبي قابل توجهي نمايد. در اين مقاله، به تحليل مدل فضايي گاوسي با خطاي اندازه‌گيري در پيش‌گوها در قالب يك چارچوب بيزي پرداخته خواهد شد. با توجه به پيچيدگي شكل توزيع پسين، نمونه‌گيري از اين توزيع به كمك الگوريتم‌هاي مونت كارلوي زنجير ماركفي و روش‌ داده‌افزايي انجام خواهد شد. سرانجام عملكرد مدل پيشنهادي را در مقايسه با نتايج تحليل مدل ناپخته به كمك شبيه‌سازي ارزيابي مي‌شود.

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.