Bayes Yerel Mekansal İlişkilendirme Göstergeleri (Bayes LISA)
Bayesian Local Indicators of Spatial Association · Ayrıca şöyle bilinir: Bayesian LISA, Bayesian local spatial autocorrelation, Bayesian local Moran, B-LISA
Bayes Yerel Mekansal İlişkilendirme Göstergeleri, klasik LISA çerçevesini, yerel mekansal ilişkilendirme istatistiklerini bir Bayes hiyerarşik modeline yerleştirerek genişletir. Asimptotik permütasyon tabanlı anlamlılık testlerine dayanmak yerine, bu yaklaşım mekansal parametrelere önsel dağılımlar atar ve bir konımın gerçek bir mekansal kümenin parçası olduğuna dair sonsal olasılıkları türetir, belirsizliği hesaba katar ve komşu birimler arasında güç aktarımı yapar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Yerel olarak tanımlanmış mekansal kümeler istediğinizde ve aynı zamanda titiz belirsizlik ölçümü istediğinizde Bayes LISA'yı kullanın — örneğin, seyrek sayımlarla hastalık haritalama, birçok küçük alan boyunca suç analizi veya klasik permütasyon yaklaşımının ciddi çoklu test sorunlarından muzdarip olduğu çevresel izleme. Özellikle birim başına örneklem boyutlarının küçük olduğu (düşük olay oranlarına sahip sayım verileri) ve alan bilgisinden gelen bilgilendirici önsel bilgileri dahil edebildiğiniz durumlarda değerlidir. Hesaplama süresinin katı bir kısıtlama olduğu (MCMC büyük kafesler için pahalıdır), basit bir keşif taramasının yeterli olduğu veya kitlenin klasik bir sıklıkçı p-değeri haritası beklediği durumlarda bundan kaçının; bu durumlarda klasik LISA veya Getis-Ord Gi* sıcak nokta testi daha basit ve daha hızlıdır.
Güçlü yönler & sınırlılıklar
- Çoklu test enflasyonunu kontrol eder: sonsal aşım olasılıkları, yüzlerce konum boyunca ayarlanmamış permütasyon p-değerlerine tutarlı bir alternatif sunar.
- Tek bir nokta tahmini yerine güven aralıkları aracılığıyla her konumda belirsizliği ölçer.
- Hiyerarşik bir modelde Poisson veya negatif binom olasılık fonksiyonu aracılığıyla seyrek sayım verilerini doğal olarak işler.
- Önsel bilgilerin (örneğin, nüfus büyüklüğü, bilinen risk faktörleri) resmi olarak dahil edilmesine izin verir.
- Klasik LISA'dan daha az tek birim aykırı değerlere duyarlı, mekansal olarak pürüzsüz küme haritaları üretir.
- Hesaplama açısından yoğundur: MCMC örneklemesi, INLA gibi yaklaşımlar olmadan on binlerce birimlik kafeslere iyi ölçeklenmez.
- Önsel seçimine duyarlılık: mekansal otokorelasyon parametresinin önseli, özellikle küçük veri kümelerinde sonsal küme haritalarını etkileyebilir.
- Klasik p-değeri haritalarından daha zor iletilir; uygulayıcıların istatistiksel olmayan kitlelere sonsal olasılıkları açıklaması gerekir.
- Klasik LISA'ya kıyasla ek modelleme kararları sunarak tam bir üretken model (olasılık fonksiyonu + önsel) belirtilmesini gerektirir.
SSS
Bayes LISA klasik LISA'dan nasıl farklıdır?
Klasik LISA, yerel bir Moran istatistiği hesaplar ve onu bir permütasyon dağılımıyla test ederek her konum için bir p-değeri verir. Bayes LISA, yerel istatistiği bir hiyerarşik modele yerleştirir ve küme üyeliğinin sonsal olasılıklarını türetir, belirsizlik ölçümü ve ad hoc bir Bonferroni ayarlaması gerektirmeden çoklu karşılaştırmalar için doğal bir düzeltme sağlar.
Bayes LISA çalıştırmak için hangi yazılımları kullanabilirim?
R paketleri R-INLA (INLA projesi aracılığıyla) ve CARBayes, yerel küme olasılıklarının çıkarılabileceği Bayes mekansal modelleri destekler. Stan ve JAGS özel MCMC formülasyonları için kullanılabilir. Karşılaştırma için klasik LISA, spdep ve GeoDa paketlerinde mevcuttur.
Bir konumu küme olarak beyan etmek için eşiği nasıl seçerim?
Yaygın bir uygulama, sonsal aşım olasılığı P(I_i > 0 | veri) 0.80 veya 0.95'i aştığında bir konumu küme olarak sınıflandırmaktır. Eşik, hassasiyeti yanlış keşif karşısında dengeleyen substantif bir karardır; yalnızca ikili sınıflandırma yerine tam olasılık haritasını rapor edin.
Bayes LISA sürekli sonuçları mı yoksa yalnızca sayıları mı işleyebilir?
Her ikisi de. Sayım sonuçları için CAR önseli ile rastgele etkilere Poisson veya negatif binom olasılık fonksiyonu kullanılır. Sürekli sonuçlar için mekansal bir CAR veya SAR bileşeni ile Gauss olasılık fonksiyonu standarttır. Olasılık fonksiyonunun seçimi model spesifikasyonunun bir parçasıdır.
Bayes LISA, Bayes mekansal regresyon ile aynı mı?
Hayır. Bayes mekansal regresyon, bir sonucun ortalamasını kovaryantların bir fonksiyonu artı bir mekansal rastgele etki olarak modeller ve katsayı tahminine odaklanır. Bayes LISA, sonsal olarak türetilen konuma özgü istatistikler aracılığıyla yerel mekansal ilişkilendirme kümelerini belirlemeye odaklanır, ancak iki yaklaşım aynı hiyerarşik modelleme araçlarını paylaşır.
Kaynaklar
- Anselin, L. (1995). Local indicators of spatial association—LISA. Geographical Analysis, 27(2), 93–115. DOI: 10.1111/j.1538-4632.1995.tb00338.x ↗
- Banerjee, S., Carlin, B. P., & Gelfand, A. E. (2004). Hierarchical Modeling and Analysis for Spatial Data. Chapman and Hall/CRC. ISBN: 978-1584884101
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Local Indicators of Spatial Association. ScholarGate. https://scholargate.app/tr/spatial-analysis/bayesian-local-indicators-of-spatial-association
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesian Uzamsal OtokorelasyonMekânsal analiz↔ karşılaştır
- Yerel Geary'nin C'siMekânsal analiz↔ karşılaştır
- Yerel Getis-Ord Gi* (Sıcak Nokta Analizi)Mekânsal analiz↔ karşılaştır
- Mekansal İlişkinin Yerel Göstergeleri (LISA)Mekânsal analiz↔ karşılaştır
- Yerel Moran's I (LISA)Mekânsal analiz↔ karşılaştır
- Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır