Bayesci Geary's C
Bayesian Geary's Contiguity Ratio · Ayrıca şöyle bilinir: Bayesian Geary C, Bayesian spatial contiguity statistic, Geary's C (Bayesian), Bayesian contiguity ratio
Bayesci Geary's C, klasik Geary'nin komşuluk oranını bir Bayesçi hiyerarşik çerçeveye yerleştirir. Tek bir nokta tahmini ve asimptotik p-değeri yerine, istatistik (veya uzamsal olarak yapılandırılmış rastgele etkiler) üzerinde bir sonsal dağılım üretir, uzamsal otokorelasyon hakkındaki belirsizliği ölçerken aynı zamanda uzamsal süreç hakkındaki önsel bilgiyi biçimsel olarak dahil eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Alan uzamsal verileriniz olduğunda ve özellikle asimptotik p-değerlerinin güvenilmez olduğu küçük örneklemlerde tam belirsizlik ölçümüyle yerel pozitif veya negatif uzamsal otokorelasyonu değerlendirmek istediğinizde veya uzamsal süreç hakkında önsel bilgiyi (örneğin, önceki çalışmalardan veya alan bilgisinden) dahil etmek istediğinizde Bayesci Geary's C'yi kullanın. Hastalık haritalama, çevre izleme ve seyrek verilerle bölgesel ekonomi için uygundur. Büyük örneklemlerde ve önsel bilgi olmadan hızlı bir keşif taraması gerektiğinde kaçının — bu durumda klasik Geary's C daha hızlı ve eşit derecede bilgilendiricidir. Ayrıca nokta referanslı (jeoistatistiksel) veriler yerine alan (kafes) verileriyle kullanmaktan kaçının; kriging tabanlı Bayesçi yaklaşımlar orada daha uygundur.
Güçlü yönler & sınırlılıklar
- Asimptotik p-değerlerinin ötesinde ilkeli belirsizlik ölçümü sağlayan uzamsal otokorelasyon parametreleri üzerinde tam sonsal dağılımlar üretir.
- Klasik çıkarımın sorgulanabilir büyük örneklem yaklaşımlarına dayandığı küçük örneklem boyutları için özellikle değerlidir.
- Bilgilendirici önseller aracılığıyla alan bilgisinin veya geçmiş verilerin biçimsel entegrasyonuna izin verir.
- Küresel istatistiklerin kaçırabileceği yerel kümelenme örüntülerine duyarlı hale getiren yerel çiftler arası farklara odaklanır.
- Hiyerarşik modellere doğal olarak yerleştirilmiştir, bu nedenle aynı tahmin içine ek kovaryetler ve rastgele etkiler dahil edilebilir.
- Hesaplama açısından maliyetlidir: MCMC veya INLA gereklidir, bu da analizi klasik Geary's C'yi hesaplamaktan daha yavaş hale getirir.
- Sonuçlar önsel belirtimine bağlıdır; kötü seçilmiş önseller küçük örneklemlerde baskın olabilir ve çıkarımı yanıltabilir.
- Sonuçlar seçilen komşuluk tanımına duyarlı olabileceğinden, uzamsal ağırlık matrisinin dikkatli bir şekilde oluşturulmasını gerektirir.
- Uygulamalı raporlarda sonuçların iletilmesini zorlaştıran, klasik Geary's C veya Moran's I'dan uygulayıcılar tarafından daha az bilinir.
SSS
Bayesci Geary's C, klasik Geary's C'den nasıl farklıdır?
Klasik Geary's C, normallik varsayımlarına dayanan asimptotik bir p-değeri ile tek bir nokta tahmini döndürür. Bayesçi versiyon, tam bir sonsal dağılım üretir, büyük örneklem yaklaşımlarına dayanmadan belirsizliği ölçer ve önsel bilginin dahil edilmesine izin verir.
Geary's C değerlerinin yorumu nedir?
0'a yakın C, güçlü pozitif uzamsal otokorelasyonu (komşular çok benzerdir); 1'e yakın C, uzamsal rastgeleliği; 2'ye yakın C, negatif otokorelasyonu (komşular farklıdır) gösterir. Bayesçi çerçevede bu eşikler, sabit kararlar yerine sonsal olasılıklar haline gelir.
Bayesci Geary's C, Bayesci Moran's I'dan daha mı iyidir?
Hiçbiri evrensel olarak daha iyi değildir. Geary's C, komşu birimler arasındaki karesel farkları kullandığı için yerel uzamsal kümelenmeye daha duyarlıdır, oysa Moran's I küresel ortalamadan sapmaları kullanır ve küresel eğilimlere daha duyarlıdır. Verileri keşfederken her ikisini de kullanın.
Bayesci Geary's C'yi hangi yazılımlar çalıştırabilir?
Stan (RStan veya PyStan aracılığıyla), OpenBUGS/WinBUGS ve R-INLA en yaygın platformlardır. R'da spdep paketi klasik Geary's C'yi hesaplar; Bayesçi varyant, olasılık fonksiyonunu ve önseli Stan'da veya INLA'da bir CAR modeli olarak kodlamayı gerektirir.
Uzamsal otokorelasyon parametresi için önseli nasıl seçerim?
Yaygın bir başlangıç noktası, orta derecede varyansa sahip, uzamsal rastgelelik (C = 1) etrafında merkezlenmiş zayıf bilgilendirici bir önseldir. Önceki çalışmalar güçlü kümelenmeyi gösteriyorsa, C < 1 etrafında bilgilendirici bir önsel uygundur. Sonsalın farklı önsel belirtimleriyle ne kadar kaydığını kontrol etmek için her zaman bir önsel hassasiyet analizi çalıştırın.
Kaynaklar
- Geary, R. C. (1954). The contiguity ratio and statistical mapping. The Incorporated Statistician, 5(3), 115–145. DOI: 10.2307/2986645 ↗
- Banerjee, S., Carlin, B. P., & Gelfand, A. E. (2004). Hierarchical Modeling and Analysis for Spatial Data. Chapman & Hall/CRC. ISBN: 978-1584884101
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Geary's Contiguity Ratio. ScholarGate. https://scholargate.app/tr/spatial-analysis/bayesian-gearys-c
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes Yerel Mekansal İlişkilendirme Göstergeleri (Bayes LISA)Mekânsal analiz↔ karşılaştır
- Bayesian Moran's IMekânsal analiz↔ karşılaştır
- Bayesian Uzamsal OtokorelasyonMekânsal analiz↔ karşılaştır
- Geary'nin C'siMekânsal analiz↔ karşılaştır
- Yerel Geary'nin C'siMekânsal analiz↔ karşılaştır
- Moran's IMekânsal analiz↔ karşılaştır