Modelling Spatial and Spatial-Temporal Data: A Bayesian Approach

مدل‌سازی داده‌های مکانی و مکانی-زمانی: رویکرد بیزی هدف آماردانان و دانشجویان و محققان کمی اجتماعی، اقتصادی و بهداشت عمومی است که با داده‌های مکانی و مکانی-زمانی منطقه‌ای کوچک کار می‌کنند. این یک پایه در تئوری آماری تا مدل رگرسیون خطی استاندارد فرض می‌کند. این کتاب هر دو مدل‌سازی اقتصاد سنجی سلسله مراتبی و فضایی را با هم مقایسه می‌کند و هم یک مرجع و هم یک متن آموزشی با تمرین‌هایی در هر فصل ارائه می‌کند. این کتاب یک درمان کاملاً بیزی و مستقل از نظریه آماری زیربنایی را با فصول اختصاص یافته به کاربردهای اساسی ارائه می دهد. این کتاب شامل کد WinBUGS و کد R است و همه مجموعه‌های داده به صورت آنلاین در دسترس هستند.

بخش اول مسائل اساسی را پوشش می‌دهد که هنگام مدل‌سازی داده‌های مکانی و مکانی-زمانی به وجود می‌آیند. بخش دوم بر مدل‌سازی داده‌های فضایی مقطعی تمرکز دارد و با توصیف روش‌های اکتشافی که به هدایت فرآیند مدل‌سازی کمک می‌کند، آغاز می‌شود. سپس دو فصل نظری در مورد مدل‌های بیزی و یک فصل از کاربردها وجود دارد. دو فصل در مورد مدل‌سازی اقتصادسنجی فضایی دنبال می‌شوند، یکی مدل‌های مختلف را توصیف می‌کند، و دیگری کاربردهای اساسی. بخش سوم مدل‌سازی داده‌های مکانی-زمانی را مورد بحث قرار می‌دهد و ابتدا مدل‌هایی را برای داده‌های سری زمانی معرفی می‌کند. روش‌های اکتشافی برای تشخیص انواع مختلف برهمکنش فضا-زمان ارائه شده است، و به دنبال آن دو فصل در مورد مدل‌های تئوری فضا-زمان قابل تفکیک (بدون تعامل فضا-زمان) و غیرقابل تفکیک (با تعامل فضا-زمان) ارائه شده است. یک فصل برنامه های کاربردی شامل: ارزیابی مداخله سیاست. تجزیه و تحلیل پویایی زمانی کانون های جرم و جنایت؛ نظارت بر بیماری مزمن؛ و آزمایش برای شواهدی از سرریزهای فضایی در گسترش یک بیماری عفونی. فصل آخر برخی از جهت‌ها و چالش‌های آینده را پیشنهاد می‌کند.

رابرت هاینینگ استاد بازنشسته در جغرافیای انسانی، دانشگاه کمبریج، انگلستان است. او نویسنده تحلیل داده های مکانی در علوم اجتماعی و محیطی (1990) و تحلیل داده های مکانی: تئوری و عمل (2003) است. او عضو RGS-IBG و آکادمی علوم اجتماعی است.

گوانگ کوان لی مدرس ارشد آمار در بخش ریاضیات، فیزیک و مهندسی برق، نورثامبریا است. دانشگاه، نیوکاسل، انگلستان تحقیقات او شامل توسعه و کاربرد روش های بیزی در علوم اجتماعی و بهداشتی است. او عضو انجمن سلطنتی آمار است.

Modelling Spatial and Spatial-Temporal Data: A Bayesian Approach is aimed at statisticians and quantitative social, economic and public health students and researchers who work with small-area spatial and spatial-temporal data. It assumes a grounding in statistical theory up to the standard linear regression model. The book compares both hierarchical and spatial econometric modelling, providing both a reference and a teaching text with exercises in each chapter. The book provides a fully Bayesian, self-contained, treatment of the underlying statistical theory, with chapters dedicated to substantive applications. The book includes WinBUGS code and R code and all datasets are available online.

Part I covers fundamental issues arising when modelling spatial and spatial-temporal data. Part II focuses on modelling cross-sectional spatial data and begins by describing exploratory methods that help guide the modelling process. There are then two theoretical chapters on Bayesian models and a chapter of applications. Two chapters follow on spatial econometric modelling, one describing different models, the other substantive applications. Part III discusses modelling spatial-temporal data, first introducing models for time series data. Exploratory methods for detecting different types of space-time interaction are presented, followed by two chapters on the theory of space-time separable (without space-time interaction) and inseparable (with space-time interaction) models. An applications chapter includes: the evaluation of a policy intervention; analysing the temporal dynamics of crime hotspots; chronic disease surveillance; and testing for evidence of spatial spillovers in the spread of an infectious disease. A final chapter suggests some future directions and challenges.

Robert Haining is Emeritus Professor in Human Geography, University of Cambridge, England. He is the author of Spatial Data Analysis in the Social and Environmental Sciences (1990) and Spatial Data Analysis: Theory and Practice (2003). He is a Fellow of the RGS-IBG and of the Academy of Social Sciences.

Guangquan Li is Senior Lecturer in Statistics in the Department of Mathematics, Physics and Electrical Engineering, Northumbria University, Newcastle, England. His research includes the development and application of Bayesian methods in the social and health sciences. He is a Fellow of the Royal Statistical Society.