ScholarGate
Assistent
Machine learningLocal spatial models

Anàlisi de Components Principals Ponderada Geogràficament (GWPCA)

L'Anàlisi de Components Principals Ponderada Geogràficament (GWPCA) és un mètode local de reducció de dimensionalitat introduït per Harris, Brunsdon i Charlton el 2011. Amplia l'anàlisi de components principals (PCA) clàssica ajustant una PCA ponderada separada a cada ubicació d'un conjunt de dades, permetent que les estructures pròpies —els components principals i les seves càrregues— variïn contínuament per l'espai geogràfic en lloc d'estar subjectes a una única solució global. La GWPCA és adequada per a investigadors en ciències ambientals, salut pública i economia regional que sospiten que les relacions multivariants entre variables difereixen segons la ubicació.

Obre a MethodMindAviatVídeoAviatDownload slides

Llegeix el mètode complet

Només per a membres

Inicia la sessió amb un compte gratuït per llegir aquesta secció.

Inicia la sessió

Method map

The neighbourhood of related methods — select a node to explore.

Anàlisi de Components Principals Ponderada Geogràficament (GWPCA)
Geographically Weighted…Regressió Ponderada Geog…

Fonts

  1. Harris, P., Brunsdon, C., & Charlton, M. (2011). Geographically weighted principal components analysis. International Journal of Geographical Information Science, 25(10), 1717–1736. DOI: 10.1080/13658816.2011.554838

Com citar aquesta pàgina

ScholarGate. (2026, June 2). Geographically Weighted Principal Component Analysis (GWPCA). ScholarGate. https://scholargate.app/ca/spatial-analysis/geographically-weighted-pca

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side
ScholarGateGeographically Weighted PCA (Geographically Weighted Principal Component Analysis (GWPCA)). Recuperat el 2026-06-15 de https://scholargate.app/ca/spatial-analysis/geographically-weighted-pca · Conjunt de dades: https://doi.org/10.5281/zenodo.20539026