📊 statistics

Bayesian inference for the automultinomial model with an application to landcover data

यह शोध पत्र डबल-मेट्रोपोलिस हैस्टिंग्स एल्गोरिदम के माध्यम से बेयज़ियन अनुमान (Bayesian inference) को लागू करके मल्टीकैटेगरी लैटिस डेटा के लिए ऑटो-मल्टीनोमियल मॉडल की कम्प्यूटेशनल चुनौतियों का समाधान करता है, जो सिमुलेशन और लैंड कवर डेटा अनुप्रयोग के माध्यम से इसकी लचीलेपन और स्थानिक सामान्यीकृत रैखिक मिश्रित मॉडल (spatial generalized linear mixed models) पर इसके लाभों को प्रदर्शित करता है।

मूल लेखक: Maria Paula Duenas-Herrera, Stephen Berg, Murali Haran

प्रकाशित 2026-02-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Maria Paula Duenas-Herrera, Stephen Berg, Murali Haran

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जंगल, एक शहर, या कृषि भूमि के एक बड़े हवाई चित्र को देख रहे हैं। आप उस चित्र में क्या हो रहा है, यह समझना चाहते हैं। क्या वह हरा हिस्सा एक जंगल है? क्या वह धूसर (ग्रे) हिस्सा एक शहर है? क्या वह भूरा हिस्सा एक बंजर खेत है?

यह मल्टीकैटेगरी लैटिस डेटा (multicategory lattice data) की समस्या है। यह एक विशाल मोज़ेक की तरह है जहाँ हर टाइल का एक रंग है, और एक टाइल का रंग अक्सर उसके बगल वाली टाइल्स के रंगों पर निर्भर करता है। यदि आप एक जंगल देखते हैं, तो उसके बगल वाली टाइल्स भी जंगल होने की संभावना अधिक होती है।

यह शोध पत्र इस पहेली को सुलझाने के लिए एक नया गणितीय उपकरण पेश करता है जिसे ऑटो-मल्टीनोमियल मॉडल (Automultinomial Model) कहा जाता है, विशेष रूप से तब जब आप यह जानना चाहते हैं कि कुछ क्षेत्रों में निश्चित रंग क्यों हैं (जैसे, "क्या यह एक जंगल है क्योंकि यह एक ऊंचे पहाड़ पर स्थित है?")।

इस शोध पत्र का सरल उपमाओं (analogies) के साथ विवरण यहाँ दिया गया है:

1. समस्या: "असंभव गणित" की पहेली

वैज्ञानिकों के पास इसे हल करने के लिए लंबे समय से उपकरण रहे हैं, लेकिन उनके पास दो मुख्य कमियां हैं:

"हिडन वेरिएबल" (छिपे हुए चर) मॉडल: ये किसी अदृश्य बादल की परत को देखकर मौसम का अनुमान लगाने की तरह हैं। ये काम तो अच्छे से करते हैं लेकिन ये अविश्वसनीय रूप से धीमे और गणनात्मक रूप से भारी होते हैं, जैसे मैराथन दौड़ते समय रूबिक क्यूब (Rubik's cube) को हल करने की कोशिश करना।
"प्योर नेबर" (शुद्ध पड़ोसी) मॉडल (पोट्स मॉडल - Potts Model): ये सरल हैं। वे बस यह कहते हैं, "यदि आपका पड़ोसी लाल है, तो आप भी लाल होना चाहेंगे।" लेकिन वे बहुत कठोर हैं। वे बाहरी कारकों जैसे ऊंचाई या सड़कों को आसानी से शामिल नहीं कर सकते। वे एक सख्त नियम पुस्तिका की तरह हैं जो अपवादों की अनुमति नहीं देती।

लेखक एक ऐसा मॉडल चाहते थे जो लचीला (flexible) हो (बाहरी कारकों को संभाल सके) लेकिन सरल (simple) भी हो (समझने में आसान)।

2. समाधान: "स्मार्ट नेबर" मॉडल

ऑटो-मल्टीनोमियल मॉडल दोनों का सबसे अच्छा मिश्रण है। इसे एक स्मार्ट पड़ोस निगरानी (neighborhood watch) के रूप में सोचें।

यह पड़ोसियों को देखता है: "हे, तुम एक जंगल के बगल में हो, इसलिए तुम भी शायद एक जंगल ही हो।"
यह सुरागों (covariates) को भी देखता है: "लेकिन रुकिए, यह स्थान एक राजमार्ग के ठीक बगल में है और बहुत कम ऊंचाई पर है, इसलिए शायद आप एक शहर हैं।"

यह मॉडल भविष्यवाणियां करने के लिए सूचना के इन दोनों स्रोतों को जोड़ता है। इस मॉडल की खूबसूरती यह है कि यह केवल एक विशेष नॉब (एक पैरामीटर जिसे $\gamma$ कहा जाता है) का उपयोग करता है जो यह नियंत्रित करता है कि पड़ोसी एक-दूसरे को कितना प्रभावित करते हैं। यह "पड़ोसी प्रभाव" के लिए एक सिंगल वॉल्यूम डायल की तरह है।

3. बड़ी बाधा: "ब्लैक बॉक्स"

एक पेच है। इस मॉडल को काम करने के लिए, गणित को एक "नॉर्मलाइजिंग फंक्शन" (normalizing function) नामक गणना की आवश्यकता होती है।

उपमा: कल्पना कीजिए कि आप एक केक बनाने की कोशिश कर रहे हैं, और रेसिपी कहती है, "1 कप मैदा डालें, लेकिन इसके लिए आपको पहले ब्रह्मांड में मौजूद आटे के हर कण के सटीक वजन की गणना करनी होगी ताकि सही अनुपात मिल सके।"
गणितीय शब्दों में, यह गणना असाध्य (intractable) है। इसे सीधे हल करना असंभव है। यदि आप मानक गणितीय उपकरणों का उपयोग करने की कोशिश करते हैं, तो आप फंस जाएंगे क्योंकि आप उत्तर देखने के लिए "ब्लैक बॉक्स" को खोल नहीं सकते।

4. समाधान: "डबल मेट्रोपोलिस-हैस्टिंग्स" (अनुमान लगाने का खेल)

चूंकि वे गणित को सीधे हल नहीं कर सकते, इसलिए लेखक एक चतुर तकनीक का उपयोग करते हैं जिसे डबल मेट्रोपोलिस-हैस्टिंग्स (Double Metropolis-Hastings - DMH) एल्गोरिदम कहा जाता है।

उपमा: कल्पना कीजिए कि आप एक बंद तिजोरी की सामग्री का अनुमान लगाने की कोशिश कर रहे हैं। आप अंदर नहीं देख सकते।
1. आउटर लूप (Outer Loop): आप संयोजन (combination) के बारे में एक अनुमान लगाते हैं।
2. इनर लूप (Inner Loop): यह जांचने के लिए कि आपका अनुमान कितना अच्छा है, आप अपने दिमाग के अंदर एक मिनी-सिमुलेशन (एक "अनुमान लगाने वाला खेल") चलाते हैं कि क्या वह संयोजन तिजोरी को खोल देगा।
3. यदि मिनी-सिमुलेशन कहता है, "हाँ, यह सही लग रहा है," तो आप अपने अनुमान को रखते हैं। यदि नहीं, तो आप एक नया अनुमान लगाते हैं।

इस "अनुमान लगाने वाले खेल" को बार-बार करने के माध्यम से, कंप्यूटर अंततः बिना सीधे असंभव गणितीय समीकरण को हल किए सही संयोजन सीख जाता है।

5. गुणवत्ता जांच: "कर्वेचर डायग्नोस्टिक" (वक्रता निदान)

चूंकि "अनुमान लगाने वाला खेल" एक सन्निकटन (approximation) है, इसलिए लेखकों को यह सुनिश्चित करने के लिए एक उपकरण की आवश्यकता थी कि वे केवल बेतरतीब ढंग से अनुमान नहीं लगा रहे हैं। उन्होंने एप्रोक्सिमेट कर्वेचर डायग्नोस्टिक (Approximate Curvature Diagnostic - ACD) नामक उपकरण का उपयोग किया।

उपमा: कल्पना कीजिए कि आप केंद्र खोजने के लिए एक अंधेरे जंगल में चल रहे हैं। आप हर कुछ कदमों के बाद अपना दिशा-सूचक यंत्र (compass) चेक करते हैं। ACD एक हाई-टेक कंपास की तरह है जो आपको बताता है, "आप एक घेरे में घूम रहे हैं," या "आप वास्तव में केंद्र की ओर बढ़ रहे हैं।"
यदि कंपास कहता है कि आप केंद्र के करीब हैं, तो मॉडल काम कर रहा है। यदि नहीं, तो वे बेहतर परिणाम प्राप्त करने के लिए अपने "इनर लूप" (मिनी-सिमुलेशन) को समायोजित करते हैं।

6. वास्तविक दुनिया का परीक्षण: लैंड कवर मैप

लेखकों ने यह देखने के लिए कि क्या वे ऊंचाई और सड़कों से दूरी के आधार पर भूमि प्रकारों (वन, गैर-वन, अन्य) की भविष्यवाणी कर सकते हैं, दक्षिण-पूर्व एशिया के एक विशाल मानचित्र (3,600 ग्रिड वर्ग) पर अपने मॉडल का परीक्षण किया।

परिणाम: मॉडल बड़े परिदृश्य को पकड़ने में बहुत अच्छा था। इसने सही ढंग से पहचाना कि वन और शहर आम तौर पर कहाँ थे।
सीमा: यह "दुर्लभ" श्रेणियों के साथ थोड़ा संघर्ष करता है। यदि कोई भूमि प्रकार बहुत दुर्लभ था (जैसे, एक छोटा सा आर्द्रभूमि/wetland का टुकड़ा), तो मॉडल कभी-कभी उसे मिस कर देता या अनुमान लगा लेता कि वह कुछ और है। यह घास के ढेर में एक विशिष्ट सुई को खोजने की तरह है; यदि सुई बहुत छोटी है, तो मॉडल उसे अनदेखा कर सकता है।

सारांश

यह शोध पत्र उपग्रह डेटा का उपयोग करके दुनिया का मानचित्र बनाने का एक नया, लचीला तरीका प्रस्तुत करता है।

यह लचीला है: यह "पड़ोसी प्रभाव" और "पर्यावरणीय सुरागों" दोनों का उपयोग कर सकता है।
यह स्मार्ट है: यह असंभव गणित को दरकिनार करने के लिए एक डबल-गेसिंग एल्गोरिदम का उपयोग करता है।
यह व्यावहारिक है: यह बड़े डेटासेट के लिए अच्छा काम करता है, हालांकि बहुत दुर्लभ श्रेणियों के मामले में इसे थोड़े सहयोग की आवश्यकता होती है।

लेखक वैज्ञानिकों के लिए इस उपकरण का उपयोग करने हेतु एक "यूजर मैनुअल" प्रदान करते हैं, जिससे यह सुनिश्चित होता है कि शोधकर्ता बेहतर ढंग से समझ सकें कि भूमि कैसे बदलती है, जंगल कैसे बढ़ते हैं और शहर कैसे फैलते हैं।

यहाँ शोध पत्र "Bayesian inference for the automultinomial model with an application to landcover data" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र बहु-श्रेणी जाली डेटा (multicategory lattice data) (स्थानिक डेटा जहाँ अवलोकन श्रेणीबद्ध होते हैं और ग्रिड या अनियमित क्षेत्रों में व्यवस्थित होते हैं), जैसे कि भूमि आवरण (land cover) प्रकार या प्रजातियों के वितरण को मॉडल करने की चुनौती का समाधान करता है।

मौजूदा मॉडलों की सीमाएँ:
- पदानुक्रमित मॉडल (जैसे, SGLMM): हालांकि ये व्यापक रूप से उपयोग किए जाते हैं, वे लेटेंट गॉसियन मार्कोव रैंडम फील्ड्स (GMRF) पर निर्भर करते हैं। उच्च-आयामी लेटेंट वेरिएबल्स के कारण ये गणनात्मक रूप से महंगे होते हैं, जिससे MCMC एल्गोरिदम में धीमी मिक्सिंग (slow mixing) होती है। वे स्थानिक विन्यास (spatial confounding) जैसी समस्याओं से भी ग्रस्त होते हैं और अक्सर यह समझाने में विफल रहते हैं कि स्थानिक पैटर्न क्यों मौजूद हैं।
- पोट्स मॉडल (The Potts Model): बहु-श्रेणी डेटा के लिए एक मानक ऑटोमॉडल जो स्थानिक निर्भरता को शामिल करता है। हालाँकि, "प्योर-इंटरसेप्ट" पोट्स मॉडल अक्सर जटिल स्थानिक विन्यासों के लिए खराब फिट प्रदान करता है। यह मजबूत स्थानिक निर्भरता के तहत फेज ट्रांजिशन (phase transitions) (अंतर्निहित घटनाएँ जहाँ मॉडल अवास्तविक अवस्थाओं में फंस जाता है) के प्रति संवेदनशील है और इसमें कोवेरियेट जानकारी को प्रभावी ढंग से शामिल करने की लचीलापन की कमी है।
- ऑटोमल्टीनोमियल अंतराल (The Automultinomial Gap): एक सशर्त निर्दिष्ट मॉडल (एक "ऑटोमॉडल") की आवश्यकता है जो पोट्स मॉडल का विस्तार करे ताकि कोवेरियेट्स को शामिल किया जा सके, जिससे कोवेरियेट्स और स्थानिक निर्भरता दोनों द्वारा संचालित स्थानिक पैटर्न की लचीली मॉडलिंग की जा सके, बिना पदानुक्रमित लेटेंट वेरिएबल मॉडलों के गणनात्मक बोझ के।

2. कार्यप्रणाली (Methodology)

लेखक ऑटोमल्टीनोमियल मॉडल और इसकी गणनात्मक चुनौतियों को संभालने के लिए एक विशिष्ट बेयसियन इन्फरेंस फ्रेमवर्क प्रस्तावित करते हैं।

A. ऑटोमल्टीनॉमिअल मॉडल (The Automultinomial Model)

इस मॉडल को $K$ श्रेणियों के लिए ऑटोलॉजिस्टिक मॉडल के एक प्राकृतिक विस्तार और कोवेरियेट्स को शामिल करने के लिए पोट्स मॉडल के विस्तार के रूप में परिभाषित किया गया है।

लाइकलीहुड (Likelihood): एक विन्यास $y$ $y$ की संयुक्त प्रायिकता इस प्रकार दी गई है:
$P(Y=y) = \frac{\exp\left\{ \sum_{i=1}^n \sum_{k=2}^K x_i^T \beta_k I(y_i=k) + \gamma S(y) \right\}}{Z(\beta, \gamma)}$
जहाँ:
- $x_i$ स्थान $i$ के लिए कोवेरियेट्स हैं।
- $\beta_k$ श्रेणी $k$ के लिए प्रतिगमन गुणांक (regression coefficients) हैं (श्रेणी 1 को संदर्भ के रूप में लेते हुए)।
- $S(y)$ समान रंग वाले पड़ोसी युग्मों की गिनती करने वाला पर्याप्त सांख्यिकीय (sufficient statistic) है (स्थानिक निर्भरता)।
- $\gamma$ स्थानिक सहसंबंध को नियंत्रित करने वाला एकल पैरामीटर है।
- चुनौती: नॉर्मलाइजिंग कांस्टेंट $Z(\beta, \gamma)$ अगणनीय (intractable) है (इसे विश्लेषणात्मक रूप से नहीं निकाला जा सकता), जो मानक मैक्सिमम लाइकलीहुड एस्टीमेशन (MLE) और मानक मेटापोलिस-हेस्टिंग्स (MH) सैंपलिंग को असंभव बनाता है।

B. इन्फरेंस: डबल मेटापोलिस-हेस्टिंग्स (DMH)

इंट्रैक्टेबल नॉर्मलाइजिंग कांस्टेंट के बावजूद बेयसियन इन्फरेंस करने के लिए, लेखक डबल मेटापोलिस-हेस्टिंग्स (DMH) एल्गोरिदम (लियांग, 2010) का उपयोग करते हैं, जो एक ऑक्जिलरी वेरिएबल MCMC विधि है।

तंत्र (Mechanism):
- आउटर सैंपलर (Outer Sampler): नए पैरामीटर मान ( $\theta'$ ) प्रस्तावित करता है।
- इनर सैंपलर (Inner Sampler): प्रस्तावित मापदंडों का उपयोग करके मॉडल से एक ऑक्जिलरी वेरिएबल $z$ (एक सिंथेटिक डेटासेट) उत्पन्न करता है। यह चरण स्वीकृति अनुपात (acceptance ratio) में अप्राप्य $Z(\theta)$ को रद्द करने के लिए आवश्यक "परफेक्ट सैंपलिंग" का अनुमान लगाता है।
- एल्गोरिदम ऑक्जिलरी वितरण का अनुमान लगाने के लिए इनर सैंपलर के $m$ स्टेप्स का उपयोग करता है।
ट्यूनिंग (Tuning): इनर सैंपलर की लंबाई ( $m$ ) महत्वपूर्ण है। यदि $m$ बहुत छोटा है, तो एल्गोरिदम एसिम्प्टोटिक रूप से अपूर्ण (asymptotically inexact) होता है (यह वास्तविक पोस्टीरियर तक अभिसरण नहीं करता है)।

C. डायग्नोस्टिक्स: एप्रोक्सिमेट कर्वेचर डायग्नोस्टिक (ACD)

चूँकि DMH परिमित $m$ के लिए एसिम्प्टोटिक रूप से अपूर्ण है, लेखक अभिसरण (convergence) का आकलन करने के लिए एप्रोक्सिमेट कर्वेचर डायग्नोस्टिक (ACD) (कांग एट अल., 2024) का उपयोग करते हैं।

ACD यह परीक्षण करता है कि क्या नमूनों का एसिम्प्टोटिक वितरण लक्षित पोस्टीरियर से मेल खाता है।
यह लाइकलीहुड के ग्रेडिएंट और हेसियन (Hessian) पर निर्भर करता है, जिसे JAX (स्वचालित अवकलन के लिए एक पायथन लाइब्रेरी) का उपयोग करके कुशलतापूर्वक गणना की जाती है।
एक सैंपल पाथ तब वैध माना जाता है यदि ACD सांख्यिकी $r = p_{total}(p_{total}+1)/2$ डिग्री ऑफ फ्रीडम वाले $\chi^2$ वितरण के थ्रेशोल्ड से नीचे आती है।

3. मुख्य योगदान (Key Contributions)

मॉडल फॉर्मूलेशन: ऑटोमल्टीनॉमिअल मॉडल का परिचय, जो सफलतापूर्वक पोट्स-जैसे ढांचे में कोवेरियेट जानकारी को एकीकृत करता है, जो बहु-श्रेणी डेटा के लिए पदानुक्रमित SGLMMs के लिए एक लचीला विकल्प प्रदान करता है।
कंप्यूटेशनल फ्रेमवर्क: विशेष रूप से इस मॉडल के लिए तैयार किया गया DMH एल्गोरिदम, जिसे पोस्टीरियर नमूनों की गुणवत्ता को कड़ाई से मान्य करने के लिए ACD के साथ जोड़ा गया है।
व्यावहारिक मार्गदर्शन: लेख में DMH एल्गोरिदम को ट्यून करने (विशेष रूप से इनर सैंपलर की लंबाई $m$ और ब्लॉक-अपडेटिंग रणनीतियों) के लिए ठोस सिफारिशें दी गई हैं ताकि अभिसरण सुनिश्चित किया जा सके।
सॉफ्टवेयर कार्यान्वयन: इस कार्यप्रणाली को automultinomial R पैकेज (बर्ग, 2019) में लागू किया गया है, जिससे यह दृष्टिकोण व्यावहारिक वैज्ञानिकों के लिए सुलभ हो जाता है।

4. परिणाम (Results)

सिमुलेशन अध्ययन (Simulation Studies)

अध्ययन 1 (Hierarchical CAR Model): डेटा एक पदानुक्रमित मल्टीनोमियल मॉडल से उत्पन्न किया गया था जिसमें कंडीशनल ऑटोरेग्रेसिव (CAR) रैंडम इफेक्ट्स थे।
- परिणाम: ऑटोमल्टीनॉमिअल मॉडल ने श्रेणियों की वैश्विक प्रवलता (global prevalence) और स्थानिक विन्यास को सफलतापूर्वक रिकवर किया।
- डायग्नोस्टिक्स: $m=10$ की इनर सैंपलर लंबाई ने 99वें पर्सेंटाइल थ्रेशोल्ड (48.27) से नीचे एक ACD मान (41.37) दिया, जो अभिसरण की पुष्टि करता है।
अध्ययन 2 (Mixture of Gaussian Processes): डेटा एक स्मूदर, अत्यधिक क्लस्टर्ड मिश्रण (mixture) से उत्पन्न किया गया था।
- परिणाम: मॉडल ने सामान्य स्थानिक पैटर्न को कैप्चर किया लेकिन अल्पसंख्यक वर्ग (रंग 1) के क्लस्टरिंग के साथ थोड़ा संघर्ष किया।
- डायग्नोस्टिक्स: किसी भी $m$ मान ने सख्त थ्रेशोल्ड के नीचे ACD प्राप्त नहीं किया। हालाँकि, विभिन्न $m$ मानों के लिए पोस्टीरियर सारांश स्थिर रहे, जो यह सुझाव देता है कि इस विशिष्ट उच्च-निर्भरता सेटिंग में एल्गोरिदम अनुभवजन्य रूप से मजबूत (empirically robust) है, भले ही वह एसिम्प्टोटिक रूप से अपूर्ण हो।

वास्तविक दुनिया का अनुप्रयोग: लैंड कवर डेटा (Real-World Application: Land Cover Data)

डेटासेट: दक्षिण पूर्व एशिया से उपग्रह-व्युत्पन्न भूमि आवरण डेटा, जिसे $60 \times 60$ ग्रिड (3,600 सेल्स) में एकत्रित किया गया है, जिसमें तीन वर्ग हैं: वन (Forest), गैर-वन (Non-forest), और अन्य (शहरी/बंजर/जल)।
कोवेरियेट्स: ऊंचाई (Elevation), सड़कों से दूरी, तटरेखा और शहरी केंद्र।
प्रदर्शन:
- मॉडल ने व्यापक स्थानिक रुझानों और स्थानिक ऑटोकोरिलेशन की डिग्री को सफलतापूर्वक रिकवर किया।
- सीमाएँ: मॉडल ने क्लास इम्बैलेंस के कारण विरल "क्लास 3" (शहरी/बंजर) को सटीक रूप से स्थानीयकृत करने में संघर्ष किया। इसने उत्तर-पूर्व चतुर्थांश में गैर-वन सेल्स का अधिक अनुमान (over-predict) भी लगाया।
- डायग्नोस्टिक्स: $m=8$ और थिनिंग (thinning) के साथ, ACD मान (27.31) थ्रेशोल्ड (45.64) से नीचे था, जो अभिसरण का संकेत देता है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

लचीलापन: ऑटोमल्टीनॉमिअल मॉडल बहु-श्रेणी स्थानिक डेटा के लिए एक लचीला विनिर्देश प्रदान करता है, जो एक सरल पैरामीट्रिकरण (स्थानिक निर्भरता के लिए एक $\gamma$ पैरामीटर) बनाए रखते हुए स्थानिक सहसंबंधों की एक विस्तृत श्रृंखला को संभालने में सक्षम है।
दक्षता बनाम पदानुक्रमित मॉडल: बड़े डेटासेट के लिए, ऑटोमल्टीनॉमिअल मॉडल (DMH के माध्यम से) SGLMMs की तुलना में अधिक गणनात्मक रूप से कुशल हो सकता है क्योंकि यह उच्च-आयामी लेटेंट वेरिएबल्स से बचता है।
व्यावहारिक उपयोगिता: यह अध्ययन प्रदर्शित करता है कि जटिल गणितीय गणनाओं (intractable normalizing constant) के बावजूद, आधुनिक MCMC तकनीकें (DMH) और कठोर डायग्नोस्टिक्स (ACD) जटिल स्थानिक ऑटोमॉडल्स के लिए बेयसियन इन्फरेंस को व्यवहार्य बनाते हैं।
भविष्य की दिशाएँ: लेखक कोवेरियेट प्रभावों को स्थानिक निर्भरता से बेहतर तरीके से अलग करने और व्याख्यात्मकता में सुधार करने के लिए सेंटर्ड पैरामीट्राइजेशन (Caragea & Kaiser, 2009 के समान) तलाशने का सुझाव देते हैं। वे यह भी उल्लेख करते हैं कि ऐसे मॉडलों के लिए गुडनेस-ऑफ-फिट टेस्टिंग अभी भी एक खुला शोध विषय बना हुआ है।

संक्षेप में, यह शोध पत्र बहु-श्रेणी स्थानिक डेटा के विश्लेषण के लिए एक मजबूत, गणनात्मक रूप से व्यवहार्य ढांचा प्रदान करता है, जो सरल पोट्स मॉडलों और जटिल पदानुक्रमित मॉडलों के बीच के अंतर को पाटता है, साथ ही इन्फरेंस की विश्वसनीयता सुनिश्चित करने के लिए विशिष्ट उपकरण भी प्रदान करता है।