Regression model

Регрессия с географически взвешенными коэффициентами (GWR)

Регрессия с географически взвешенными коэффициентами (GWR) — это локальный регрессионный метод, предложенный Фезеррингхэмом, Брансдоном и Чарлтоном (2002), который позволяет регрессионным коэффициентам изменяться в пространстве. Вместо одного глобального уравнения он подбирает отдельный набор коэффициентов для каждой локации, улавливая пространственную гетерогенность в зависимостях.

Открыть в MethodMindСкороВидеоСкороDownload slides

Читать метод полностью

Только для участников

Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.

Войти

Method map

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

+53 more

Источники

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

Как цитировать эту страницу

ScholarGate. (2026, June 1). Geographically Weighted Regression (GWR). ScholarGate. https://scholargate.app/ru/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

Упоминается в

Байесовская географически взвешенная регрессия (BGWR)Bayesian Multiscale Geographically Weighted RegressionBayesian Spatial Durbin ModelБайесовская модель пространственных ошибокБайесовская модель пространственного лагаБайесовская пространственная панельная модельБайесовская пространственная регрессияБайесовский универсальный кригингКокригинг: Многомерная геостатистическая интерполяцияКокригингГеографически взвешенный метод главных компонент (GWPCA)Географически взвешенный случайный лесГлобальная пространственная модель Дурбина (SDM)Глобальная пространственная модель ошибок (SEM)Глобальная пространственная панельная модельАнализ горячих точек (Getis-Ord Gi*)Метод обратных взвешенных расстояний (IDW)Кригинг-интерполяция пространственных данныхЛокальная географически взвешенная регрессия (GWR)Локальные индикаторы пространственной ассоциации (LISA)Локальный кригинг (кригинг в скользящем окне)Локальный пространственный анализ на основе сетейЛокальный обычный кригингЛокальная пространственная модель ДурбинаЛокальная модель пространственного лагаЛокальная пространственная регрессияЛокальный универсальный кригингМультимасштабный геопространственно взвешенный регрессионный анализ (MGWR)I МоранаМногомасштабная географически взвешенная регрессия (MGWR)Мультимасштабный пространственный автокорреляционный анализСетевой пространственный анализОбычный кригингПанельная географически взвешенная регрессия (Panel GWR)Панельный кригингПанельная многомасштабная географически взвешенная регрессия (Panel MGWR)Панельная пространственная автокорреляцияПанельная пространственная модель ДурбинаПанельная пространственная модель ошибок (Panel Spatial Error Model, panel SEM)Панельная пространственная регрессияRobust Universal KrigingПространственно-временной анализ на основе сетейПространственно-временная пространственная автокорреляцияПространственно-временная модель пространственной ошибкиПространственно-временная модель пространственного лагаПространственно-временная пространственная панельная модельПространственно-временная пространственная регрессияПространственно-временной универсальный крокингПространственная автокорреляцияПространственный анализ причинно-следственного воздействияПространственная контрфактическая оценка воздействия (SCIE)Пространственная двойная робастная оценкаПространственная модель Дарбина (SDM)Пространственное взвешивание по обратной вероятности (Spatial IPW)Пространственная модель панельных данных (FE/RE)Пространственное взвешивание по показателю склонностиПространственный анализ чувствительности для причинно-следственных связейУниверсальный кригинг (кригинг с трендом)
ScholarGateGeographically Weighted Regression (Geographically Weighted Regression (GWR)). Получено 2026-06-15 из https://scholargate.app/ru/spatial-analysis/geographically-weighted-regression · Набор данных: https://doi.org/10.5281/zenodo.20539026