G5 Artikkeliväitöskirja
Bayesian spatio-temporal modeling of areal data (2025)
Alueellisen aineiston spatio-temporaalinen Bayes-mallintaminen


Pasanen, T.-M. (2025). Bayesian spatio-temporal modeling of areal data [Doctoral dissertation]. University of Jyväskylä. JYU Dissertations, 864. https://urn.fi/URN:ISBN:978-952-86-0446-4


JYU-tekijät tai -toimittajat


Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajatPasanen, Tiia-Maria

eISBN978-952-86-0446-4

Lehti tai sarjaJYU Dissertations

eISSN2489-9003

Julkaisuvuosi2025

Sarjan numero864

Kirjan kokonaissivumäärä1 verkkoaineisto (ix, 42 sivua, 89 sivua useina numerointijaksoina, 4 numeroimatonta sivua)

KustantajaUniversity of Jyväskylä

JulkaisumaaSuomi

Julkaisun kielienglanti

Pysyvä verkko-osoitehttps://urn.fi/URN:ISBN:978-952-86-0446-4

Julkaisun avoin saatavuusAvoimesti saatavilla

Julkaisukanavan avoin saatavuusKokonaan avoin julkaisukanava


Tiivistelmä

Aineistoa voidaan pitää spatio-temporaalisena, kun se kuvaa sekä ilmiöön liittyvää sijaintia että aikaa. Spatio-temporaalisten tilastollisten menetelmien tarkoituksena on etsiä ja kvantifioida näiden ulottuvuuksien sisäisiä ja välisiä riippuvuuksia. Tämä väitöskirja keskittyy alueellisen aineiston ja diskreetin aikarakenteen menetelmiin esitellen malleja, jotka on yksilöity sovellusten tarpeisiin ja estimoitu bayesiläisittäin. Malleilla tutkitaan Suomen 1860-luvun nälänhädän aikaisten viljamarkkinoiden toimintaa, tartuntatautien leviämistä Suomessa 1700- ja 1800-luvuilla sekä suomalaisten isien sopeutumista vanhempainvapaapolitiikkaan vuosina 2009– 2017. Spatiaalisuus otetaan huomioon esimerkiksi ehdollisen ja simultaanisen autoregression avulla, kun taas aika huomioidaan esimerkiksi satunnaiskulun ja autoregressiivisen mallin, virheenkorjausmallin sekä piilo-Markov-mallin avulla. Näiden rakenteiden yhdistelmät mahdollistavat myös paikan ja ajan interaktion. Menetelmät on pyritty rakentamaan siten, että analyysi on sovelluslähtöistä, eivätkä mentelmät rajoita sitä. Tämän seurauksena mallinnettavat rakenteet ja mallit ovat monimutkaisia. Tulokset ovat silti helposti tulkittavissa.


YSO-asiasanataikasarjataikasarja-analyysiregressioanalyysibayesilainen menetelmäpaikkatiedotväitöskirjat

Vapaat asiasanatautoregressio; ehdollinen autoregressio; Markovin piilomalli; spatiaalinen data; spatiotemporaalinen malli; virheenkorjausmalli


Liittyvät organisaatiot


Hankkeet, joissa julkaisu on tehty


OKM-raportointiKyllä

VIRTA-lähetysvuosi2025


Viimeisin päivitys 2025-25-01 klo 20:05