Multiscale Geographically Weighted Regression (MGWR)
Multiscale Geographically Weighted Regression หรือ MGWR ซึ่ง Fotheringham, Yang และ Kang ได้นำเสนอในปี 2017 เป็นแบบจำลองการถดถอยเชิงพื้นที่ที่อนุญาตให้สัมประสิทธิ์แต่ละตัวแปรผันไปตามพื้นที่ในมาตราส่วนเชิงพื้นที่ของตนเอง แบบจำลองนี้เป็นการขยายผลของ Geographically Weighted Regression (GWR) โดยการกำหนดแบนด์วิดท์ (bandwidth) แยกกันสำหรับแต่ละตัวทำนาย เพื่อให้ความสัมพันธ์บางอย่างสามารถแสดงผลในระดับท้องถิ่น (local) ในขณะที่ความสัมพันธ์อื่น ๆ สามารถแสดงผลในระดับเกือบจะทั่วโลก (global)
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Fotheringham, A. S., Yang, W. & Kang, W. (2017). Multiscale Geographically Weighted Regression (MGWR). Annals of the American Association of Geographers, 107(6), 1247–1265. DOI: 10.1080/24694452.2017.1352480 ↗
- Oshan, T. M., Li, Z., Kang, W., Wolf, L. J. & Fotheringham, A. S. (2019). mgwr: A Python Implementation of Multiscale Geographically Weighted Regression. Journal of Open Source Software, 4(42), 1670. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). Multiscale Geographically Weighted Regression. ScholarGate. https://scholargate.app/th/spatial-analysis/mgwr-model
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.
- Geographically Weighted Regression (GWR)การวิเคราะห์เชิงพื้นที่↔ compare
- การวิเคราะห์จุดร้อน Getis-Ord Gi*การวิเคราะห์เชิงพื้นที่↔ compare
- การถดถอยกำลังสองน้อยที่สุดสามัญ (OLS)เศรษฐมิติ↔ compare
- แบบจำลองความคลาดเคลื่อนเชิงพื้นที่ (SEM)การวิเคราะห์เชิงพื้นที่↔ compare
- Spatial Lag Modelการวิเคราะห์เชิงพื้นที่↔ compare