ScholarGate
Avustaja
Regression model

Paikallisesti painotettu regressio (GWR)

Paikallisesti painotettu regressio (Geographically Weighted Regression, GWR) on Fotheringhamin, Brunsdonin ja Charltonin (2002) esittelemä paikallinen regressiomenetelmä, joka sallii regressiokertoimien vaihdella avaruudessa. Yhden globaalin yhtälön sijaan se sovittaa erillisen joukon kertoimia jokaiseen sijaintiin, mallintaen suhteiden spatiaalista heterogeenisyyttä.

Avaa sovelluksessa MethodMindTulossaVideoTulossaDownload slides

Lue koko menetelmä

Vain jäsenille

Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.

Kirjaudu sisään

Method map

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

Paikallisesti painotettu regressio (GWR)
LISAMoran'n I -testi tilalli…OLS-regressio (Ordinary…Spatiaalinen virhemalli…Tilalagun malli (SAR / A…Bayesiläinen maantieteel…Bayesiläinen moniskaalai…Bayesiläinen spatiaaline…Bayesilainen spatiaaline…Bayesiläinen spatiaalise…

+53 more

Lähteet

  1. Fotheringham, A. S., Brunsdon, C., & Charlton, M. (2002). Geographically Weighted Regression: The Analysis of Spatially Varying Relationships. Wiley. ISBN: 978-0471496168

Näin viittaat tähän sivuun

ScholarGate. (2026, June 1). Geographically Weighted Regression (GWR). ScholarGate. https://scholargate.app/fi/spatial-analysis/geographically-weighted-regression

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 →

Tähän viittaavat

Bayesiläinen maantieteellisesti painotettu regressio (BGWR)Bayesiläinen moniskaalainen maantieteellisesti painotettu regressioBayesiläinen spatiaalinen Durbin-malliBayesilainen spatiaalinen virhemalliBayesiläinen spatiaalisen viiveen malliBayesiläinen spatiaalinen paneelimalliBayesiläinen spatiaalinen regressioBayesiläinen universaali krigingCo-kriging: Monimuuttujainen geostatistinen interpolointiKokrigingMaantieteellisesti painotettu pääkomponenttianalyysi (GWPCA)Maantieteellisesti painotettu satunnaismetsäGlobaali spatiaalinen Durbin-malli (SDM)Globaali spatiaalinen virhemalli (SEM)Globaali spatiaalinen paneelimalliHot Spot Analysis (Getis-Ord Gi*)Käänteinen etäisyyspainotus (IDW)Kriging-interpolointiPaikallinen maantieteellisesti painotettu regressio (GWR)Paikalliset tilallisen assosiaation indikaattorit (LISA)Lokaali kriging (liikkuvan ikkunan kriging)Paikallinen verkostopohjainen tilastollinen analyysiPaikallinen tavallinen krigingPaikallinen spatiaalinen Durbin-malliPaikallinen spatiaalisen viiveen malliPaikallinen spatiaalinen regressioPaikallinen yleiskrigingMoniasteikkoinen maantieteellisesti painotettu regressio (MGWR)Moran's IMonitahorisonttinen painotettu regressio (MGWR)Monitahjua spatiaalinen autokorrelaatioVerkkopohjainen tilastollinen analyysiOrdinary KrigingPaneelipainotettu regressio (Panel GWR)PaneelikrigingPaneelin moniskaalainen maantieteellisesti painotettu regressio (Panel MGWR)Paneelin spatiaalinen autokorrelaatioPaneelin tilallinen Durbin-malliPaneelin spatiaalinen virhemalliPaneelin tilallinen regressioRobust Universal KrigingAika-avaruusverkostoon perustuva spatiaalinen analyysiAika-avaruudellinen spatiaalinen autokorrelaatioAika-avaruudellinen virhemalliAika-avaruudellinen spatiaalisen viiveen malliAvaruus-aikatilan paneelimalliAika-avaruudellinen spatiaalinen regressioAika-avaruus-yleiskrigingSpatiaalinen autokorrelaatioPaikallinen kausaalivaikutusanalyysiPaikallinen kontrafaktuaalinen vaikuttavuuden arviointi (SCIE)Spatiaalinen kaksoisrobustinen estimointiAvaruudellinen Durbinin malli (SDM)Tilallinen käänteinen todennäköisyyspainotus (Spatial IPW)Tilamallinen paneelidata (FE/RE)Tilajakaumaan perustuva taipumusosamääräpainotusKausaalisuuden spatiaalinen herkkyysanalyysiUniversaali Kriging (Kriging trendillä)

Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →

ScholarGate — Geographically Weighted Regression (Geographically Weighted Regression (GWR)). Haettu 2026-06-15 osoitteesta https://scholargate.app/fi/spatial-analysis/geographically-weighted-regression · Aineisto: https://doi.org/10.5281/zenodo.20539026