全局平稳假设
单一系数隐含全部地点与时期关系相同,可能掩盖局部健康—环境机制。
GLOBAL POSTERIOR · β01 / WHY BSTVC
全局回归用同一个系数描述所有地点与时期,可能形成“平稳性偏差”。BSTVC 让变量关系回到真实地理情境,并同时给出作用强度、方向与不确定性。
同一因素为何在不同地点和时期产生不同影响?
进入 GeoAI 范式 ↗单一系数隐含全部地点与时期关系相同,可能掩盖局部健康—环境机制。
GLOBAL POSTERIOR · β同时识别空间异质性和时间异质性,保留局部关系的地理意义。
LOCAL COEFFICIENT FIELD · β(s,t)以可信区间、模型评价与 STVPI 回答“作用多大、证据多稳、谁更关键”。
CREDIBLE EVIDENCE · 95%02 / THREE RESEARCH TASKS
利用 STVC / STIVC 分析影响因素在不同地点与时期的作用方向、强度和不确定性,回答“在哪里、何时、怎样影响”。
利用 STVPI 量化解释因素的相对时空贡献,识别关键驱动因素及空间、时间变异来源。
通过 STVI / STIVI 等模型开展缺失值填补、时空平滑与未来预测,构建连续可靠的时空数据。
03 / GEOAI PARADIGM
从“模型为什么这样预测”继续追问:这种关系发生在哪里、何时变化、证据有多稳定。
邻近事物往往具有更强联系。BSTVC 在数据、过程与参数层级中表达空间或时空相关结构。
研究现象及变量关系在不同地点并不相同。局部系数直接刻画这种空间和时空非平稳性。
严格定义:解释变量、效应结构与证据输出在模型拟合前即被明确规定;解释直接来自模型参数及其后验分布,而非训练后的外部近似。
解释直接来自模型结构与参数,而不是训练完成后附加的外部近似。
回归系数、可信区间和方差分割直接来自贝叶斯白盒模型;机制与预测位于同一统计框架。
BSTVC 核心范式解释发生在模型训练之后,通常是模型行为的近似描述,不等同于统计结构中的内生机制。
外部解释工具BSTVC 将三类研究任务组织为连续证据链:先读取影响因素在哪里、何时、怎样作用,再比较关键驱动的相对贡献,最后在同一贝叶斯框架中完成插补、平滑与预测。
定位每个地点与时期的作用方向、强度和不确定性。
STVC · STIVC → coefficient surfaces比较候选因素贡献,识别关键驱动及其时间—空间来源。
STVPI → variance partitioning在统一后验框架中完成缺失值插补、平滑与未来预测。
STVI · STIVI → posterior prediction可解释性既包括总体层面的关键因素识别,也包括个体、地点与时间切片上的局部机制。BSTVC 把局部解释扩展为 β(s,t),并继续连接全局归因与动态预测。
BSTVC 在完整统一的贝叶斯层次框架中组织观测数据、时空过程、局部参数与后验不确定性;预测、系数和贡献度来自同一统计结构。
观测、解释变量与空间关系
时间、空间与时空交互过程
局部参数与可信区间
解释、归因与预测
04 / MODEL SYSTEM
从截距到系数、从独立变化到时空交互、从空间截面到时空面板,研究问题决定模型尺度。
刻画目标变量自身的时空演变,用于缺失值填补、时空平滑与动态预测。
在变截距结构中加入时空交互,表达空间与时间耦合的动态变化。
拟合解释变量的局部时空系数,识别变量关系的时间与空间非平稳性。
从时空交互假设出发,揭示更复杂的局部影响机制与演变模式。
面向单一时点或空间截面数据,识别空间异质性关系与局部驱动模式。
把模型结果转化为相对贡献百分比,识别关键因素及其时间、空间来源。
同时量化 Y 与多个 X 之间的空间和时间异质关联,并纳入空间、时间自相关;适合解析结构化时空非平稳性。
通过空间分层异质性 SSH 或时间分层异质性 TSH 定义交互随机效应,适配县—省、日—月等两层耦合数据,并控制模型复杂度。
以方差分割把异质影响转化为可解释百分比,既可筛选关键因素,也可区分时间与空间贡献来源。
05 / METHOD ADVANTAGES
优势不只来自局部回归,而来自“全地图”统一建模、贝叶斯不确定性和完整结果链的组合。
在一个完整的贝叶斯层次框架中拟合全部局部参数,避免把每个地图单元拆成互不关联的小模型。
统一的数据层、过程层与参数层,使不同地点和时期的回归系数具有一致的统计口径。
局部预测、TCs 与 SCs 均可输出 50% 窄可信区间和 95% 宽可信区间。
从局部系数识别时空非平稳效应,再以 STVPI 比较因素的相对贡献百分比。
统一支持连续型(log-Gaussian)、二分类(logistic)与计数型(Poisson)响应。
把数据转换、字段检查、空间顺序对齐、模型运行、结果下载和可视化说明连接起来。
TCs · SCs · CI
STVPI · attribution
impute · smooth · forecast
从局部机制解释到全局关键驱动识别,再到动态预测,BSTVC 以一套连贯的方法体系贯通研究问题、统计证据与决策表达,让复杂时空分析更清晰、更可信、更易复现。
06 / EMPIRICAL WORKFLOW
每种响应类型均使用用户手册中的真实软件界面。先完成数据读取与验证,再进行空间顺序检查、参数配置、运行与结果导出。
MODEL SPECIFICATION PRINCIPLE似然函数与链接函数应由响应变量的取值范围、分布特征和数据生成机制决定,而不是由研究者主观偏好选择。

2000—2020 · 177 个国家和地区
适用问题适合研究寿命、资源数量、浓度、率值等连续指标为何随地点与时期变化。Gaussian likelihood on log-transformed response · identity link

月度时空面板 · 0/1 目标变量
适用问题适合研究是否发病、是否达标或风险状态等 0/1 事件的时空决定因素。Bernoulli / Binomial likelihood · logit link

2012—2023 · 美国空间单元
适用问题适合研究病例数、事件数和设施数等非负计数结果的局部时空机制。Poisson likelihood · log link
不要把明显偏态、过度离散的计数或只有 0/1 的结果直接当作连续变量;必要时先变换并检查分布。
07 / READ THE OUTPUT
不要孤立阅读一个系数。把 TCs、SCs、STVPI、局部预测、可信区间与模型评价组合起来,才能形成可解释结论。

空间回归系数按地图单元输出,可在 R、ArcGIS 或 ArcGIS Pro 中制图。对多变量地图应保持一致的分级、色带与空间范围。
推荐制图:ArcGIS Pro / QGIS / R sf先看方向与量级,再看宽窄可信区间;最后联动模型评价、地图分布和研究情境形成结论。
贝叶斯可信区间表达参数后验不确定性,不能简单等同于频率学显著性检验或机械地转写为“显著/不显著”。
均值曲线表示时间回归系数;深色带对应 50% 可信区间,浅色带对应 95% 可信区间。区间是否跨越 0 可辅助判断作用方向与证据稳定性。
推荐制图:R ggplot2 / Excel先看方向与量级,再看宽窄可信区间;最后联动模型评价、地图分布和研究情境形成结论。
贝叶斯可信区间表达参数后验不确定性,不能简单等同于频率学显著性检验或机械地转写为“显著/不显著”。
STVPI 不仅比较总体贡献,还可区分时间与空间维度的贡献来源;同时保留贝叶斯不确定性,用于识别关键驱动因素。
推荐制图:R ggplot2 / Excel先看方向与量级,再看宽窄可信区间;最后联动模型评价、地图分布和研究情境形成结论。
贝叶斯可信区间表达参数后验不确定性,不能简单等同于频率学显著性检验或机械地转写为“显著/不显著”。
local.prediction 包含原始 y、缺失值填补后的 fill_y、模型预测 predict_y,以及 50% / 95% 可信区间;可进一步计算 R²、RMSE 或其他响应类型指标。
推荐制图:R / ArcGIS Pro / Excel先看方向与量级,再看宽窄可信区间;最后联动模型评价、地图分布和研究情境形成结论。
贝叶斯可信区间表达参数后验不确定性,不能简单等同于频率学显著性检验或机械地转写为“显著/不显著”。
ROC 曲线动态展示灵敏度与误报率之间的权衡,AUC 越大通常表示区分能力越强;同时应结合局部概率地图与不确定性阅读。
推荐制图:R pROC / Python sklearn先看方向与量级,再看宽窄可信区间;最后联动模型评价、地图分布和研究情境形成结论。
贝叶斯可信区间表达参数后验不确定性,不能简单等同于频率学显著性检验或机械地转写为“显著/不显著”。
model.evaluation 汇总 DIC、WAIC、eff、pd2 与 LS。比较候选模型时,DIC 与 WAIC 越小通常表示拟合表现越好;eff 与 pd2 反映有效参数和模型复杂度;LS 越接近 0,预测精度通常越高。
推荐汇总:Excel / R先看方向与量级,再看宽窄可信区间;最后联动模型评价、地图分布和研究情境形成结论。
贝叶斯可信区间表达参数后验不确定性,不能简单等同于频率学显著性检验或机械地转写为“显著/不显著”。数值越小通常表示拟合表现越好。
↓ 越小通常越优衡量有效参数与复杂程度。
↔ 结合拟合共同判断按响应类型评价精度与区分能力。
LS → 0 · AUC ↑分别读取时间与空间非平稳效应。
方向 + 量级 + CrI08 / SELECTED PUBLICATIONS
从方法提出到健康、社会与环境场景验证,代表性成果持续检验并扩展 BSTVC 系列模型的解释能力与应用边界。
Estimating Missing Values in China’s Official Socioeconomic Statistics Using Progressive Spatiotemporal Bayesian Hierarchical Modeling.
DOI ↗Exploring Spatiotemporal Nonstationary Effects of Climate Factors on Hand, Foot, and Mouth Disease Using Bayesian STVC.
DOI ↗Spatiotemporally Varying Coefficients Model: A Bayesian Local Regression to Detect Spatial and Temporal Nonstationarity.
DOI ↗Spatiotemporal Disparities in Regional Public Risk Perception of COVID-19 Using Bayesian STVC Series Models.
DOI ↗Spatiotemporal Heterogeneity in Associations of National Population Ageing with Socioeconomic and Environmental Factors.
DOI ↗Revealing Spatiotemporal Inequalities, Hotspots, and Determinants in Healthcare Resource Distribution.
DOI ↗09 / RESEARCH APPLICATIONS
在四川 36 个月数据中将流行病学 OR 空间化,识别疾病—气候关系的局部季节趋势与空间热点。
以十年县域数据验证通用 STVC 公式范式,比较医疗资源与社会经济条件的局部时空关系。
揭示环境与社会经济因素对医疗资源不平等的局部影响,并形成连续县域医院床位地图序列。
基于 343 个城市、30 个候选因素和 2008—2017 年数据,对比全局平稳与局部时空非平稳关系。
面向 366 个中国城市估计区域公众风险感知指数 PRPI,并开展聚类与异常值识别。
在 189 个国家和地区的二十年数据中,以 STVC 识别局部关联、以 STVPI 筛选关键驱动因素。
基于 2,308 个县域医院床位面板数据,联合揭示资源不平等、热点与时空决定因素。
在小区域尺度描述 MMR 的长期时空格局,并探索多层级健康决定因素的异质影响。
面向中国城市多项医疗资源指标,比较资源格局与社会经济因素作用的时空差异。
以四川县域面板数据开展小区域医疗资源配置效率的时空评价与影响因素分析。
以新的时空可解释模型扩展手足口病局部风险与驱动机制研究。
联合刻画 MMR 与 U5MR 的时空变化,并连接妇幼健康指标的动态预测与解释。
完整方法说明、案例原始图件与持续更新,请访问 BSTVC 模型官网 ↗
10 / FREE DOWNLOAD
百度网盘分享包:2026.7 时空可解释分析工具BSTVC桌面版(安装包 帮助文档 案例)
https://pan.baidu.com/s/5h7zSPjXEvBINShxLVLjirA11 / USER GUIDE KNOWLEDGE HUB
从数据准备、9 项参数、6 类输出和当前版本边界,到 R 包安装、文档与反馈生态,使用标签页快速定位关键要求。
支持 CSV、XLSX、XLS;地图需导入完整 Shapefile 文件集合,不能只提供 .shp。
每个时间截面的空间单元顺序应与地图一致;桌面版可自动比对、重排并导出检查后数据。
表格与地图的空间唯一标识字段需名称、类型一致;缺失值统一用 NA 表示。
内置数据转换、字段转换和自定义空间矩阵,支持宽表转长表与字段数值化。
空间顺序未变化选“原始数据”;完成自动重排后选“检查后数据”。
指定响应变量 Y、一个或多个解释变量 X、Time 字段与 Space 字段。
根据数据特征选择 continuous、binary 或 count;不同类型对应不同似然。
建议解释变量标准化;默认线程数为 6;空间权重可用默认 QUEEN-B 或自定义矩阵。
DIC、WAIC、eff、pd2、LS 等模型拟合、复杂度与预测评价。
局部预测、缺失值填补结果,以及 50% / 95% 贝叶斯可信区间。
解释变量的空间随机效应、时间随机效应与相应可信区间。
时间系数、空间系数与相对时空贡献百分比;可一次下载为多 Sheet Excel。
上传上限设置为 1GB;计算量随空间单元、时间点、解释变量、响应类型和线程设置增加。
点地图建议使用距离或 k 近邻;若 k 近邻矩阵出现 INLA 报错,可调整构建方式或更换矩阵类型。
当前二分类与计数模型未包含残差项,因此暂不能计算整体模型的解释百分比。
当前 BSTVC 默认全部解释变量具有时空非平稳性;更灵活的变量级设定属于后续扩展方向。
bayesianstvc/BSTVC-R 以“full-map”框架统一支持连续型、二分类和计数型响应,输出局部机制、关键驱动与动态预测。
README 当前示例使用 devtools::install_github("songbi123/BSTVC") 或 remotes::install_github("songbi123/BSTVC");INLA 建议先按官方说明安装。
DESCRIPTION 标注 R ≥ 4.4.0、INLA ≥ 24.06.27,采用 GPL-3 许可;模型评估覆盖 DIC、WAIC、pd 与 LS。
仓库提供 GetStart.Rmd、英文/中文 PDF、数据预处理脚本与 GitHub Issues;桌面版适合零代码复现,R 包适合批量研究。
12 / AUXILIARY TOOL
BSTVC 计算通常需要更高的 CPU 与内存资源。这个面向 Windows 的本地监视器,帮助用户观察真实的 INLA 进程,并选择更快、更稳的线程设置。
最佳参数取决于模型结构、数据规模、内存压力、处理器拓扑、散热和电源限制。监视器记录资源轨迹,帮助你在自己的电脑或工作站上比较线程设置。
先从默认 6 线程开始,再结合监视结果和相近模型进行调整。
监视一个或多个 inla.exe,持续记录整机 CPU、内存、线程、PID、运行时长和进程状态;主 CPU 曲线采用可直接对照 Windows 任务管理器的整机口径。
线程数越高不一定越快。结合持续 CPU 活动、内存压力、波动程度和模型求解时间,寻找适合当前电脑或工作站的平衡点;默认线程参数仍为 6。
监视器通过 PowerShell 和浏览器本地运行,不需要云端服务,也不会上传进程数据;每次运行可保存 CSV、JSON 与本地 HTML 报告。
建议从默认 6 线程开始。 内存充足且单次任务规模较大时再尝试 8 线程;12 线程仅建议用于高核心数、高内存设备,并用监视器确认系统仍有稳定余量。
项目由 bayesianstvc 发布;Windows 10/11、PowerShell 5.1 或 7、现代浏览器即可运行。查看 v0.5.7 Release ↗
13 / CONTACT & FEEDBACK
请根据问题类型选择联系人。反馈运行问题时,建议附上系统版本、响应类型、使用步骤、错误截图或日志,以及已脱敏的最小复现数据。
项目负责人、统计理论指导、版权持有人。
chaosong.gis@gmail.com ↗项目开发人,负责系统程序设计与使用支持。
tangxt.me@gmail.com ↗R 包使用可通过邮件或 GitHub Issues 反馈。
tangxxxxt@163.com ↗RESEARCH ECOSYSTEM

微信扫描二维码,关注课题组公众号,获取健康地理与空间卫生统计研究动态。
欢迎报告问题、提出功能需求、提交代码变更,或分享新的实证案例。