مدل‌های درختی یک روش جدید و ابتکاری را برای تحلیل مجموعه‌داده‌های بزرگ به‌وسیله تقسیم‌بندی فضای پیش‌بینی کننده‌ها به نواحی ساده‌تر به نمایش می‌گذارند. مدل رگرسیونی درختی جمعی بیزی، مدلی که در این مقاله به معرفی و توضیح آن می‌پردازیم، در ساختار خود از مدل جمع درختان استفاده می‌کند، زیرا ترکیب چند درخت از درخت تنها دقت بالاتری دارد. پس این مدل مبتنی بر درخت و جزء مدل‌های ناپارامتری است و در واقع تعمیمی از روش‌های رده‌بندی و رگرسیون درختی است، که در ساختار این روش‌ها درخت تصمیم وجود دارد. این روش‌ها تحلیلی قدرتمند برای کشف ساختار داده‌ها هستند و کاربرد آنها در علوم پزشکی بسیار وسیع است.

در این روش، روی پارامترهای مدل جمع درختان پیشین‌هایی در نظر گرفته می‌شود و سپس با استفاده از الگوریتم‌های کمکی به تحلیل می‌پردازد. در این مقاله ابتدا مختصراً مدل رگرسیونی درختی جمعی بیزی را معرفی کرده و سپس کاربرد آن را در تحلیل بقا با بررسی داده‌های مربوط به بیماران سرطان ریه بیان می‌کنیم.

داده‌های شمارشی فضایی در اغلب علوم مانند علوم محیطی، هواشناسی، زمین‌شناسی و پزشکی مشاهده می‌شود. برای تحلیل داده‌های رسته‌ای شمارشی که همبستگی مکانی در آن‌ها مشاهده می‌شود اغلب از مدل‌های خطی تعمیم‌یافته فضایی براساس توزیع‌های پواسونی  (مدل فضایی پواسون-لگ‌نرمال) و دوجمله‌ای (مدل فضایی دوجمله‌ای-لوجیت نرمال) استفاده می‌شود. تابع درست‌نمایی این نوع مدل‌ها دارای پیچیدگی‌های تئوری و محاسباتی است. رهیافت بیزی به‌واسطه الگوریتم‌های مونت کارلویی زنجیر مارکوف یک راه‌حل برای برازش این مدل‌ها می‌تواند باشد، هرچند مشکلاتی از لحاظ نرخ پایین پذیرش نمونه‌ها و طولانی شدن زمان اجرای الگوریتم‌ها معمولا وجود دارد. یک راه‌کار مناسب استفاده از الگوریتم مونت کارلویی همیلتونی  (هیبریدی) در رهیافت بیزی است. در این مقاله، روش جدید مونت کارلوی همیلتونی برای تحلیل بیزی مدل‌های شمارشی فضایی  روی داده‌های آلودگی هوای شهر تهران مورد مطالعه قرار می‌گیرد. همچنین دو الگوریتم مونت کارلویی معمول زنجیر مارکوفی (گیبز و متروپولیس- هستینگس)  و لانجوین-هستینگس برای رهیافت بیزی کامل مدل‌ها روی داده‌ها به‌کار گرفته می‌شوند.  در نهایت با ملاک‌های تشخیصی، رهیافت مناسب برای تحلیل داده‌ها و پیشگویی در همه نقاط شهر معرفی می‌شود.

در مدل‌های آمیخته خطی تعمیم‌یافته فضایی، همبستگی فضایی با اضافه کردن متغیرهای پنهان به مدل در نظر گرفته می‌شود. در این مدل‌ها چون متغیر پاسخ فضایی غیر گاوسی است و به دلیل وجود متغیرهای پنهان تابع درستنمایی معمولا شکل بسته‌ای ندارد و لذا رهیافت ماکسیمم درستنمایی برای برآورد پارامترها با چالش مواجه است. هدف اصلی این مقاله معرفی دو الگوریتم جدید برای به دست آوردن برآوردهای ماکسیمم درستنمایی پارامترها و مقایسه با الگوریتم‌های موجود از نظر سرعت و دقت است. الگوریتم‌های معرفی شده برروی یک مجموعه داده شبیه‌سازی شده به‌کار گرفته و عملکرد آن‌هامقایسه می‌شود.

برای مدل‌بندی پاسخ‌های فضایی گسسته، مدل‌های آمیخته خطی تعمیم‌یافته فضایی استفاده می‌شود. در این مدل‌ها همبستگی فضایی داده‌ها به‌صورت متغیرهای پنهان فضایی وارد مدل می‌شود. معمولا برای سادگی فرض می‌شود که متغیرهای پنهان دارای توزیع نرمال هستند که نادرست بودن این فرض برروی دقت نتایج تاثیرگذار است.

در این مقاله متغیرهای پنهان با میدان تصادفی چوله گاوسی بسته مدل‌بندی می‌شوند که بزرگ‌تر و انعطاف‌پذیرتر از میدان تصادفی گاوسی می‌باشد. یک الگوریتم جدید برای به دست آوردن برآورد ماکسیمم درستنمایی پارامترها معرفی می‌شود. اساس الگویتم معرفی‌شده بر مبنای الگوریتم ماکسیمم‌سازی امیدریاضی و نوعی الگوریتم مونت کارلویی همیلتونی است. کارایی و سرعت الگوریتم معرفی شده در یک مثال شبیه‌سازی بررسی می‌شود.

برای مدل‌بندی داده‌های گسسته فضایی معمولا از مدل‌ آمیخته خطی تعمیم‌یافته فضایی استفاده می‌شود که همبستگی فضایی در این مدل‌ها با استفاده از متغیرهای پنهان گاوسی وارد مدل می‌شوند. در این مقاله برای افزایش دقت برآورد پارمترها و پیش‌گویی‌ها،‌ متغیرهای پنهان با استفاده از یک میدان تصادفی چوله گاوسی مانا مدل‌بندی و برای برآورد پارامترهای مدل یک الگوریتم جدید براساس درست‌نمایی حاشیه‌ای مرکب ارائه می‌شود. کارایی میدان تصادفی به‌کار گرفته شده و الگوریتم پیشنهادی در یک مثال شبیه‌سازی پیاده‌سازی و بررسی می‌شود.