روش های استنباط متعددی برای شبکه های ژنی وجود دارد، ولی در همه آن ها تنها از اطلاعات نمونه استفاده می شود و کمتر مواردی وجود دارد که از اطلاعات گذشته یا اطلاعات موازی استفاده شده باشد. در این پژوهش به استنباط بیزی شبکه های ژنی پرداخته می شود. تلاش می شود از اطلاعات موجود در قالب یک الگوی بیزی استفاده شود. بدیهی است با به کارگیری توزیع پیشین مناسب و توجه به عدم استقلال پارامترهای موجود در شبکه های ژنی تعیین الگویی مورد نظر است که بتوان نتایج بهتری را نسبت به اطلاعات گذشته و نیز اطلاعات موجود در نمونه ها به دست آورد. به علاوه ابر پارامترها به دو روش برآورد می شوند و نتایج آن در یک مطالعه شبیه سازی مبتنی بر نمونه گیری گیبز مورد بررسی قرار گرفته، معایب و مزایای هر یک از آن ها بیان خواهند شد

داده‌های حاصل از اندازه‌گیری شاخص‌های مالی و اقتصادی، مانند قیمت مسکن، عموما به‌طور فضایی همبسته و ناهمگن هستند. مدل‌های اقتصادسنجی فضایی برای لحاظ کردن وابستگی موجود در این داده‌ها پرطرفدار هستند. اما مدل‌بندی کارای ناهمگنی فضایی هنوز مورد سوال است. معمولا از رگرسیون وزنی جغرافیایی برای مدل‌بندی ناهمگنی موضعی داده‌های فضایی استفاده می‌شود. این رده از مدل‌ها برای داده‌های فضایی همگن در چند زیرناحیه، بیش از حد پیچیده هستند. در این مقاله، از یک رهیافت مبتنی بر خوشه‌بندی فضایی برای شناسایی زیرنواحی همگن استفاده می‌شود. سپس، در هر زیرناحیه، مدل‌های اقتصادسنجی فضایی بیزی به داده‌ها برازش داده می‌شوند. با توجه به پیچیدگی توزیع پسین مدل‌های پیشنهادی و دوری از مشکلات الگوریتم‌های MCMC، از روش تقریب لاپلاس آشیانه‌ای جمع‌بسته استفاده می‌شود. آنگاه در یک مطالعه شبیه‌سازی، عملکرد رهیافت پیشنهادی ارزیابی و نحوه کاربست رهیافت دومرحله‌ای پیشنهادی برای تحلیل داده‌های قیمت مسکن در شهر مشهد ارائه خواهد شد.