Bayesian Coğrafi Ağırlıklı Regresyon (BGWR)
Bayesian Geographically Weighted Regression · Ayrıca şöyle bilinir: BGWR, Bayesian GWR, Bayesian spatially varying coefficient model, Bayesian local regression
Bayesian Coğrafi Ağırlıklı Regresyon, GWR'nin uzamsal olarak değişen katsayılar çerçevesini Bayesçi çıkarımla birleştirerek, yerel olarak değişen regresyon katsayılarına Gauss süreç önsel dağılımları yerleştirir. Bu, her konumdaki her katsayı üzerinde tam sonsal dağılımlar üreterek, yalnızca nokta tahminlerinin ötesinde, prensipli belirsizlik ölçümü sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
İlişkilerin öngörücüler ile bir sonuç arasındaki ilişkilerin uzamsal olarak değişmesinin beklendiği ve her yerel katsayı etrafındaki güven aralıklarına ihtiyaç duyduğunuz durumlarda BGWR kullanın — örneğin epidemiyolojide (hastalık risk faktörlerinin bölgeye göre değişmesi), ekolojide (bir peyzaj boyunca tür-çevre ilişkileri) veya emlak ekonomisinde (fiyat belirleyicilerinin bir şehir genelinde değişmesi). Özellikle alt bölgeler arasında örneklem boyutlarının farklı olduğu ve belirsizlik tahminlerinin yerel veri seyrekleğini yansıtması gerektiği durumlarda uygundur. İlişkinin uzayda gerçekten durağan olduğu durumlarda (klasik OLS veya uzamsal gecikme modeli yeterli olacaktır), veri kümesi çok büyükse (n > 50.000) ve hesaplama maliyeti yaklaşımlar olmadan karşılanamazsa veya analistler önsel dağılımları ve MCMC yakınsamasını belirleme ve teşhis etme konusunda Bayesçi modelleme geçmişine sahip değilse kullanmayın.
Güçlü yönler & sınırlılıklar
- Her konumda uzamsal olarak değişen katsayılar için tam sonsal dağılımlar üreterek, prensipli güven aralıkları sağlar.
- Seyrek veri bölgelerinden gelen belirsizliği, yapay olarak dar nokta tahminleri yerine daha geniş güven aralıklarına doğal olarak yayar.
- Çekirdek hiperparametreleri (aralık, sill, nugget) rastgele seçilmek yerine verilerden çıkarılır, bu da klasik GWR'ye kıyasla öznel bant genişliği seçim yanlılığını azaltır.
- Hiyerarşik GP önsel dağılımları, küçük yerel örneklemlerde aşırı uyumu önleyen uzamsal düzenlileştirme sağlar.
- Gauss olmayan olabilirliklere (lojistik, Poisson) ikili veya sayım uzamsal sonuçları için genişletilebilir.
- Hesaplama açısından yoğundur: tam GP sonsal dağılımı bellek ve zamanda O(n^3) olarak ölçeklenir, bu da onu yaklaşımlar (örneğin, seyrek GP, NNGP) olmadan büyük veri kümeleri için pratik olmaktan çıkarır.
- GP kovaryans çekirdek ailesinin ve hiperparametreler üzerindeki önsel dağılımların belirlenmesini gerektirir; sonuçlar bu seçimlere duyarlı olabilir.
- MCMC tabanlı uyum, yakınsama tanıları gerektirir ve orta büyüklükteki uzamsal veri kümelerinde saatler veya günler sürebilir.
- Uzamsal olarak değişen sonsal dağılımların yorumlanması, klasik regresyon çıktısından daha karmaşıktır, uzamsal görselleştirme ve CBS uzmanlığı gerektirir.
SSS
BGWR klasik GWR'den nasıl farklıdır?
Klasik GWR, çekirdek ağırlıklı yerel en küçük kareler yöntemiyle uzamsal olarak değişen katsayıları tahmin eder, bant genişliğini çapraz doğrulama yoluyla seçer ve yalnızca nokta tahminleri üretir. BGWR, katsayılar üzerine GP önsel dağılımları yerleştirir ve tam sonsal dağılımlar üreterek güven aralıkları ve uzamsal değişim hakkında resmi çıkarım sağlar. BGWR ayrıca, sabit bir bant genişliğine güvenmek yerine, katsayı yüzeylerinin düzgünlüğünü verilerden birlikte tahmin eder.
BGWR'nin en büyük pratik zorluğu nedir?
Hesaplama maliyeti. Tam GP çıkarımı O(n^3) olarak ölçeklenir, bu nedenle birkaç binden fazla gözlemi olan veri kümeleri, R paketi spNNGP'de uygulanan en yakın komşu Gauss süreci (NNGP) veya Stan veya GPyTorch'taki seyrek GP yöntemleri gibi yaklaşımlar gerektirir.
GP kovaryans çekirdeğini nasıl seçmeliyim?
Olası aralığı ve nugget'ı ölçmek için non-spatial bir modelden elde edilen artıkların ampirik yarı-variogramını inceleyin. Yumuşaklık nu = 1.5 veya 2.5 olan Matern çekirdeği sağlam bir varsayılan değerdir. Farklı çekirdek seçimleri altındaki DIC veya WAIC'yi karşılaştırarak duyarlılık analizi yapın.
BGWR ikili veya sayım sonuçlarını işleyebilir mi?
Evet. Gauss olabilirlik fonksiyonunu bir lojistik veya Poisson olabilirlik fonksiyonu ile değiştirerek ve uzamsal olarak değişen katsayılar üzerindeki GP önsel dağılımını koruyarak, Bayesçi uzamsal olarak değişen katsayılı lojistik veya Poisson regresyonu elde edersiniz. Uyum, sonsal dağılım artık Gauss olmadığı için MCMC veya Laplace yaklaşımı gerektirir.
Hangi yazılım BGWR'yi uygular?
R paketi spBayes (Finley ve ark.), Bayesçi uzamsal olarak değişen katsayı modellerini verimli bir şekilde uygular. Stan ve brms, GP terimleriyle özel BGWR modellerini uyarlayabilir. Büyük n için spNNGP (en yakın komşu GP), ölçeklenebilir Bayesçi uzamsal regresyon sağlar.
Kaynaklar
- Finley, A. O. (2011). Comparing spatially-varying coefficients models for analysis of ecological data with non-stationary and anisotropic residual dependence. Methods in Ecology and Evolution, 2(2), 143-154. DOI: 10.1111/j.2041-210X.2010.00060.x ↗
- Wheeler, D., & Calder, C. (2007). An assessment of coefficient accuracy in linear regression models with spatially varying coefficients. Journal of Geographical Systems, 9(2), 145-166. DOI: 10.1007/s10109-006-0040-y ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Geographically Weighted Regression. ScholarGate. https://scholargate.app/tr/spatial-analysis/bayesian-geographically-weighted-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes Uzamsal RegresyonMekânsal analiz↔ karşılaştır
- Coğrafi Ağırlıklı Regresyon (GWR)Mekânsal analiz↔ karşılaştır
- Yerel Mekansal RegresyonMekânsal analiz↔ karşılaştır
- Çok Ölçekli Coğrafi Ağırlıklı Regresyon (MGWR)Mekânsal analiz↔ karşılaştır
- Mekansal Gecikme Modeli (SAR / Mekansal Otokorelatif)Mekânsal analiz↔ karşılaştır