fa روش بوت استرپ بلوک مجزا برای تعیین اندازه‌های دقت برآورد پارامترهای تغییرنگار و پیشگویی فضایی آمار کاربردی Applied Statistics كاربردي و توسعه ای Applied <p align="right">&nbsp; در اغلب مطالعات محیطی، داده&shy;ها بر حسب موقعیت&shy;شان در ناحیه مورد مطالعه معمولا وابسته فضایی هستند. تعیین ساختار همبستگی فضایی و پیشگویی دو مساله مهم در تحلیل داده&shy;های فضایی هستند. برای تحلیل این داده&shy;ها، اغلب یک مدل تغییرنگار پارامتری به تغییرنگار تجربی داده&shy;ها برازش داده می&shy;شود و براساس آن پیشگویی صورت می&shy;پذیرد. با توجه به اینکه شکل بسته&shy;ای برای برآوردگر پارامترهای تغییرنگار وجود ندارد، معمولا این پارامترها به صورت عددی برآورد می&shy;شوند. لاهیری (2003) روش بوت&shy;استرپ بلوک متحرک را برای داده&shy;های فضایی پیشنهاد نمود که در آن مشاهدات به بلوک&shy;هایی متحرک تقسیم و بازنمونه&shy;گیری از آنها صورت می&shy;پذیرد. چون در این روش حضور مشاهدات مرزی در بلوک&shy;های بازنمونه&shy;گیری شده نسبت به سایر مشاهدات شانس انتخاب کمتری دارند، برآورد اندازه&shy;های دقت اریب می&shy;باشند. در این مقاله، علاوه بر مرور روش بوت&shy;استرپ بلوک متحرک، روش بوت&shy;استرپ بلوک مجزا برای برآورد اندازه&shy;های دقت برآوردگر پارامترهای تغییرنگار و پیشگوی فضایی کریگینگ ارائه می&shy;شود. سپس نحوه کاربست این روش در یک مثال کاربردی نشان داده می&shy;شود.</p> Abstract: In many environmental studies, the collected data are usually spatially dependent. Determination of the spatial correlation structure of the data and prediction are two important problem in statistical analysis of spatial data. To do so, often, a parametric variogram model is fitted to the empirical variogram of the data by estimating the unknown parameters of the mentioned variogram. Since there are no closed formulas for the variogram parameters estimator, they are usually computed numerically. Therefore, the precision measures of the variogram parameters estimator and spatial prediction can be calculated using bootstrap methods. Lahiri (2003) proposed the moving block bootstrap method for spatial data, in which observations are divided into several moving blocks and resampling is done from them. Since, in this method, the presence of boundary observations in the resampling blocks have less selection chance than the other observations, therefore, the estimator of the precision measures would be biased. In this paper, revising the moving block bootstrap method, the separate block bootstrap method was presented for estimating the precision measures of the variogram parameters estimator and spatial prediction. Then its usage was illustrated in an applied example. بوت‌استرپ بلوک مجزا, بوت‌استرپ بلوک متحرک, اندازه دقت, تغییرنگار, کریگینگ Separate Block Bootstrap, Moving Block Bootstrap, Precision Measures, Variogram, Kriging 161 171 http://jss.irstat.ir/browse.php?a_code=A-10-1-3&slc_lang=fa&sid=1 Nasrollah Iranpanah نصراله ایران پناه 10031947532846006931 10031947532846006931 Yes Department of Statistics, Isfahan University گروه آمار، دانشگاه اصفهان