Abstract
Classical statistical methods do not always provide desired results for every situation. Therefore, new alternative methods of data analysis are in demand. As the computational power becomes more modern, Bayes statistical methods are increasingly applied for statistical data analysis. This article describes several discrete models for analyzing nature area coverage. These models can be applied for analysis of such areas as forests, water ponds, soil, etc. when data is provided in integer data in percent. Poisson and negative binomial distributions are used in this article. Unknown parameters of the models were estimated using Bayes statistical methods in OpenBUGS modeling environment. The models of nature area coverage analysis were implemented using the data of Baltic Sea bottom algae coverage. This article analyzes coverage dependence of abiotic and physical factors.
Highlights
Dėl reikšmingo perteklinės dispersijos parametro įverčio, duomenims taikomas neigiamai binominio skirstinio regresijos modelis, su logaritmine jungies funkcija ir vidurkio modeliu apibrėžtu (5) formule: Yi ∼ B−(μi, k), čia μi – neigiamo binominio skirstinio vidurkio parametras, k – neigiamai binominio skirstinio formos parametras
The models of nature area coverage analysis were implemented using the data of Baltic Sea bottom algae coverage
Summary
Skirtų sudėtingų uždavinių sprendimui pasitelkiant kompiuterius, vis labiau populiarėja Bajeso statistika. Kuri remiasi Bajeso metodu, kurio pagrindinė idėja tai, kad modelių nežinomų parametrų tikrosios reikšmės laikomos atsitiktinėmis [2]. Parametrų vektoriaus β aposteriorinis tankis Puasono regresijos modeliui gali būti apibrėžiamas taip [1]: π(β |Y ) ∝ exp yix′iβ − exp{x′iβ }. Neigiamo binominio skirstinio atveju aposteriorinis β tankis gali būti apibrėžiamas taip: π(β |Y ) ∝ exp yi ln. Čia D(θ) = −2 log f (Y |θ) – nuokrypis, f (Y |θ) – imties tikėtinumo funkcija, o θ – nežinomų parametrų vektorius. Gavus aposteriorinius nežinomų parametrų tankius, apibrėžtus (2) ir (3) formulėmis, taip pat buvo atlikta duomenų prognozė, kurios metu taikant Bajeso metodą gaunamas prognozės aposteriorinis tankis [2]. Modeliams sudaryti naudojama OpenBUGS modeliavimo programinę įrangą, kurioje taikant MCMC metodus nežinomų parametrų įverčiai apskaičiuojami iteraciniu procesu
Sign-in/Register to view highlights & summary Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callDisclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
