Bayesyen Çok Ölçekli Coğrafi Ağırlıklı Regresyon
Bayesian Multiscale Geographically Weighted Regression · Ayrıca şöyle bilinir: Bayesian MGWR, B-MGWR, Bayesian multiscale GWR, Bayesian spatially varying coefficient model
Bayesyen Çok Ölçekli Coğrafi Ağırlıklı Regresyon (Bayesyen MGWR), her uzamsal olarak değişen katsayıya Bayesyen önsel dağılımlar yerleştirerek MGWR çerçevesini genişletir. Her bir öngörücü kendi bant genişliğine — yani kendi coğrafi etki ölçeğine — sahip olurken, Bayesyen çıkarım klasik geriye uyumu (back-fitting) yerine sonsal örnekleme (posterior sampling) kullanır ve her yerel katsayı yüzeyi için tam 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
Jeo-referanslı verileriniz olduğunda ve öngörücüler ile sonuç arasındaki ilişkinin farklı coğrafi ölçeklerde uzayda değiştiğini düşündüğünüzde Bayesyen MGWR kullanın — örneğin, gelirin sağlık üzerindeki etkisi mahalle ölçeğinde işlerken iklimin etkisi bölgesel ölçekte işleyebilir. Yerel katsayılar için belirsizlik ölçümünün önemli olduğu durumlarda (örn. politika kararları, uzamsal durağan olmama üzerine hipotez testi) doğru seçimdir. Uzamsal durağan olmamanın olası olmadığı durumlarda (küresel OLS veya uzamsal gecikme modelleri daha basit ve daha yorumlanabilirdir), örneklemler çok küçük olduğunda (yaklaşık 100'den az konum), hesaplama kaynakları sınırlı olduğunda (MCMC pahalıdır) veya yalnızca küresel ortalama etki ilgi konusu olduğunda kullanmayın.
Güçlü yönler & sınırlılıklar
- Her öngörücü kendi coğrafi bant genişliğini alır ve tek bant genişlikli GWR'nin tespit edemediği çok ölçekli uzamsal heterojenliği ortaya çıkarır.
- Tam sonsal dağılımlar, her yerel katsayı için güven aralıkları sağlar ve ilkeli belirsizlik ölçümünü mümkün kılar.
- Bayesyen önsel dağılımlar yerel tahminleri düzenler ve seyrek veriye sahip alanlarda aşırı uyumu önler.
- Sonsal tahmin denetimleri ve WAIC veya LOO-CV aracılığıyla model karşılaştırması, Bayesyen çerçeve içinde basittir.
- Eşzamanlı olarak uzamsal olarak yapılandırılmış artıkları ve durağan olmayan ilişkileri ele alır.
- Hesaplama açısından yoğundur: yüksek boyutlu katsayı yüzeyleri üzerinde MCMC örneklemesi yavaştır ve paralel donanım gerektirebilir.
- Bant genişlikleri ve katsayı varyansları için önsel belirleme alan bilgisi gerektirir; yanlış belirlenmiş önsel dağılımlar sonuçları bozabilir.
- Yüzlerce yerel sonsal özetin yorumlanması dikkatli kartografik ve istatistiksel iletişim gerektirir.
- Yeterli yoğunlukta jeo-referanslı gözlem gerektirir — seyrek uzamsal kapsama, kötü tanımlanmış yerel tahminlere yol açar.
- Yazılım desteği klasik GWR'ye göre daha az olgundur; özel uygulama genellikle gereklidir.
SSS
Bayesyen MGWR standart GWR'den nasıl farklıdır?
Standart GWR tüm öngörücüler için tek bir bant genişliği kullanır ve nokta tahminleri üretir. Bayesyen MGWR, her öngörücüye kendi bant genişliğini verir (çok ölçekli heterojenliği ortaya çıkarır) ve tam sonsal dağılımlar döndürür, böylece tek bir en iyi tahmin yüzeyi yerine güven aralıkları elde edersiniz.
Bayesyen MGWR için ne kadar örneklem büyüklüğüne ihtiyacım var?
Pratik bir minimum olarak, en az 100-200 jeo-referanslı gözlem önerilir. Daha az konum, yerel katsayı yüzeylerinin kötü tanımlanmasına neden olur ve geniş güven aralıkları sonuçlara hakim olur. Çok seyrek verilerle, bunun yerine bir Bayesyen uzamsal gecikme veya hata modeli düşünün.
Bant genişlikleri için önsel dağılımlar belirtmem gerekir mi?
Evet. Yaygın bir seçim, her öngörücü için bant genişliği parametresi üzerinde zayıf bilgilendirici yarı-normal veya düz bir önsel dağılımdır, verilerin baskın olmasına izin verir. Bir ilişkinin olası coğrafi ölçeği hakkında güçlü önsel bilginiz varsa, bilgilendirici önsel dağılımlar seyrek bölgelerde tahmini düzenleyebilir.
Uzamsal durağan olmamanın hiç var olup olmadığını nasıl anlarım?
Leung ve ark.'nın GWR için F-testi gibi küresel bir test çalıştırın veya bir Bayesyen MGWR ile küresel bir Bayesyen regresyon arasındaki WAIC'yi karşılaştırın. Sonsal bant genişlikleri tüm öngörücüler için sonsuzluğa doğru çökerse, durağan olmama minimaldir ve daha basit bir model yeterlidir.
Hangi yazılım Bayesyen MGWR'yi destekliyor?
Klasik MGWR, MGWR 2.2 Python paketinde (slu-opendata.org) mevcuttur. Bayesyen genişlemeler genellikle Stan, PyMC veya R'de (örn. uzamsal olarak yapılandırılmış etkilerle INLA aracılığıyla) özel MCMC uygulamaları gerektirir; 2026 itibarıyla hiçbir hazır Bayesyen MGWR paketi evrensel kabul görmemiştir.
Kaynaklar
- 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 ↗
- Li, Z., Fotheringham, A. S., Li, W., & Oshan, T. (2020). Fast Geographically Weighted Regression (FastGWR): a scalable algorithm to investigate spatial process heterogeneity in millions of observations. International Journal of Geographical Information Science, 33(1), 155-175. DOI: 10.1080/13658816.2018.1521523 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Multiscale Geographically Weighted Regression. ScholarGate. https://scholargate.app/tr/spatial-analysis/bayesian-multiscale-geographically-weighted-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesian Coğrafi Ağırlıklı Regresyon (BGWR)Mekânsal analiz↔ karşılaştır
- 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