ScholarGate
Assistent
Machine learningLocal spatial models

Geographisch gewichtete Hauptkomponentenanalyse (GWPCA)

Die Geographisch gewichtete Hauptkomponentenanalyse (GWPCA) ist eine lokale Dimensionsreduktionsmethode, die 2011 von Harris, Brunsdon und Charlton eingeführt wurde. Sie erweitert die klassische PCA, indem sie an jedem Ort eines Datensatzes eine separate gewichtete PCA anpasst und es so ermöglicht, dass sich Eigenstrukturen – die Hauptkomponenten und ihre Ladungen – kontinuierlich über den geografischen Raum erstrecken, anstatt auf eine einzige globale Lösung beschränkt zu sein. GWPCA eignet sich für Forscher in den Umweltwissenschaften, im öffentlichen Gesundheitswesen und in der Regionalökonomie, die vermuten, dass multivariate Beziehungen zwischen Variablen je nach Standort variieren.

In MethodMind öffnenDemnächstVideoDemnächstDownload slides

Die vollständige Methode lesen

Nur für Mitglieder

Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.

Anmelden

Method map

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

Geographisch gewichtete Hauptkomponentenanalyse (GWPCA)
Geographically Weighted…Geographisch gewichtete…

Quellen

  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

So zitieren Sie diese Seite

ScholarGate. (2026, June 2). Geographically Weighted Principal Component Analysis (GWPCA). ScholarGate. https://scholargate.app/de/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)). Abgerufen am 2026-06-15 von https://scholargate.app/de/spatial-analysis/geographically-weighted-pca · Datensatz: https://doi.org/10.5281/zenodo.20539026