ScholarGate
Assistente
Machine learningLocal spatial models

Análise de Componentes Principais Ponderada Geograficamente (GWPCA)

A Análise de Componentes Principais Ponderada Geograficamente (GWPCA) é um método de redução de dimensionalidade local introduzido por Harris, Brunsdon e Charlton em 2011. Ela estende a PCA clássica ajustando uma PCA ponderada separada em cada localização em um conjunto de dados, permitindo que as autoestruturas — os componentes principais e suas cargas — variem continuamente no espaço geográfico, em vez de serem restritas a uma única solução global. A GWPCA é adequada para pesquisadores em ciências ambientais, saúde pública e economia regional que suspeitam que as relações multivariadas entre as variáveis diferem por localização.

Abrir no MethodMindEm breveVídeoEm breveDownload slides

Leia o método completo

Exclusivo para membros

Entre com uma conta gratuita para ler esta seção.

Entrar

Method map

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

Análise de Componentes Principais Ponderada Geograficamente (GWPCA)
Random Forest Ponderado…Regressão Geograficament…

Fontes

  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

Como citar esta página

ScholarGate. (2026, June 2). Geographically Weighted Principal Component Analysis (GWPCA). ScholarGate. https://scholargate.app/pt/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)). Recuperado em 2026-06-15 de https://scholargate.app/pt/spatial-analysis/geographically-weighted-pca · Conjunto de dados: https://doi.org/10.5281/zenodo.20539026