در عمل توزیع داده‌های فضایی دارای چولگی هستند که به‌دلیل پیچیدگی‌های ذاتی آن‌ها، مدل‌سازی آماری را با چالش‌های جدی مواجه می‌سازد. مدل‌های میدان تصادفی چوله گاوسی چارچوبی منعطف برای تحلیل این نوع داده‌ها فراهم می‌کنند، اما بسیاری از آن‌ها با مشکلاتی مانند پیچیدگی محاسباتی و عدم شناسایی‌پذیری پارامترها روبه‌رو هستند که دقت تحلیل را کاهش می‌دهد.

در این مقاله، یک مدل رگرسیون فضایی بر پایه‌ی توزیع چوله نرمال بسته‌ی منعطف توسعه داده شده است که دارای مزایایی چون شناسایی‌پذیری کامل، بسته بودن تحت حاشیه‌سازی و شرطی‌سازی، و انعطاف‌پذیری بالا در مدل‌سازی ساختارهای پیچیده‌ی فضایی است. تحلیل بیزی مدل با بهره‌گیری از الگوریتم مونت‌کارلو همیلتونی انجام شده است؛ روشی پیشرفته در چارچوب الگوریتم‌های زنجیر مارکوفی که با استفاده از مشتقات توزیع هدف، نرخ پذیرش و سرعت همگرایی را افزایش می‌دهد.

برای ارزیابی عملکرد مدل پیشنهادی، یک مطالعه شبیه‌سازی انجام شده و نتایج حاصل از روش مونت‌کارلو همیلتونی با روش‌های کلاسیک زنجیر مارکوفی مونت‌کارلو مقایسه شده است. نتایج بیانگر بهبود در دقت و کارایی الگوریتم پیشنهادی هستند. همچنین، مدل پیشنهادی توانایی بالایی در تحلیل داده‌های فضایی با ابعاد بالا دارد.