Coğrafi Ağırlıklı Regresyon (GWR)
Geographically Weighted Regression (GWR) · Ayrıca şöyle bilinir: GWR, local regression, spatially varying coefficient regression, Coğrafi Ağırlıklı Regresyon (GWR)
Coğrafi Ağırlıklı Regresyon (GWR), Fotheringham, Brunsdon ve Charlton (2002) tarafından tanıtılan ve regresyon katsayılarının mekanda değişmesine izin veren yerel bir regresyon yöntemidir. Tek bir küresel denklem yerine, her konumda ayrı bir katsayı seti uydurur ve ilişkilerdeki mekansal heterojenliği yakalar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+51 tane daha
Ne zaman kullanılır
Her gözlem coğrafi koordinatlar (enlem/boylam) taşıdığında ve bir tahmincinin etkisinin mekanda farklılaştığından şüphelendiğinizde — yani, ilişkiler mekansal olarak durağan olmadığında — GWR kullanın. Çapraz kesitsel, coğrafi referanslı veriler üzerinde makul bir örneklem (en az yaklaşık 50 gözlem) gerektirir ve bant genişliği çapraz doğrulama ile seçilmelidir. Olağan regresyon varsayımlarının ötesinde, mekansal otokorelasyon kontrol edilmelidir. Koordinat yoksa, GWR uygulanamaz ve standart OLS regresyonu kullanılmalıdır.
Güçlü yönler & sınırlılıklar
- Her konumda ayrı bir katsayı seti tahmin ederek mekansal heterojenliği ortaya çıkarır.
- Bir tahmincinin etkisinin mekanda nasıl değiştiğini ve nerede değiştiğini gösteren haritalanabilir katsayı yüzeyleri üretir.
- Tek bir küresel regresyonun ortalamasını alıp gizleyeceği yerel ilişkileri yakalar.
- Coğrafi koordinatlar gerektirir; bunlar olmadan yöntem uygulanamaz ve OLS yedektir.
- Sonuçlar, çapraz doğrulama ile ayarlanması gereken bant genişliğine büyük ölçüde bağlıdır.
- Yeterli bir örneklem (yaklaşık 50+) gerektirir ve verilerin seyrek olduğu yerlerde kararsız yerel tahminler verebilir ve küresel regresyon varsayımları artı mekansal otokorelasyon hala kontrol edilmelidir.
SSS
GWR, adi OLS regresyonundan nasıl farklıdır?
OLS, her yerde sabit olduğu varsayılan tek bir küresel katsayı seti tahmin eder. GWR bunu gevşetir, konuma göre değişen katsayıları tahmin eder, böylece tek bir küresel modelin kaçıracağı mekansal heterojenliği yakalayabilir.
Bant genişliği nedir ve neden önemlidir?
Bant genişliği, komşu gözlemlere verilen ağırlığın mesafeyle ne kadar hızlı azaldığını kontrol eder — etkin olarak her regresyonun ne kadar yerel olduğunu. Küçük bir bant genişliği çok yerel, daha değişken tahminler verir; büyük bir bant genişliği küresel modele yaklaşır. Çapraz doğrulama ile seçilmelidir.
GWR için ne tür verilere ihtiyacım var?
Her gözlem için koordinatlara (enlem/boylam) sahip, coğrafi referanslı, kesitsel verilere ve tercihen en az yaklaşık 50 gözleme ihtiyacınız vardır. Koordinatlar olmadan GWR çalışamaz.
Verilerimde koordinat yoksa ne yapmalıyım?
GWR mekansal koordinatlar olmadan tanımsızdır. Bu durumda, tek bir küresel ilişkiyi tahmin eden standart OLS regresyonunu kullanın.
Kaynaklar
- Fotheringham, A. S., Brunsdon, C., & Charlton, M. (2002). Geographically Weighted Regression: The Analysis of Spatially Varying Relationships. Wiley. ISBN: 978-0471496168
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Geographically Weighted Regression (GWR). ScholarGate. https://scholargate.app/tr/spatial-analysis/geographically-weighted-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- LISAMekânsal analiz↔ karşılaştır
- Moran's I Uzamsal Otokorelasyon TestiMekânsal analiz↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Mekansal Hata Modeli (SEM)Mekânsal analiz↔ karşılaştır
- Mekansal Gecikme Modeli (SAR / Mekansal Otokorelatif)Mekânsal analiz↔ karşılaştır