MCMC

Fitting regression models can be challenging when regression coefficients are high-dimensional. Especially when large spatial or temporal effects need to be taken into account the limits of computational capacities of normal working stations are …

In dieser Arbeit werden räumliche und zeitliche Strukturen epidemiologischer Daten mittels moderner Bayes-Verfahren analysiert. Als Glättungsprioris finden hauptsächlich autoregressive Verteilungen wie Gauss-Markov-Zufallsfelder und Random Walks Verwendung. Derartige komplexe Modelle können nur mit MCMC-Methode geschätzt werden. Es werden effiziente Algorithmen vorgestellt, welche die Schätzung der Parameter in annehmbarem Zeitbedarf zulassen. Insbesondere für die Modellierung von Raum-Zeit-Interaktionen sind diese Algorithmen wichtig. Als Anwendung räumlicher Bayesianischer Modelle wird die Analyse von Daten zur Inzi- denz von Wildtierkrankheiten vorgestellt.