Global Moran's I — Genel Uzamsal Otokorelasyonun Ölçümü
Global Moran's I Spatial Autocorrelation Statistic · Ayrıca şöyle bilinir: Moran's I, global spatial autocorrelation index, Moran index, GMI
Global Moran's I, tüm çalışma alanı boyunca uzamsal otokorelasyonun en yaygın kullanılan tek sayısal özetidir. Uzamsal ağırlıklar matrisini kullanarak her konumdaki öznitelik değerini komşu konumlardaki değerlerle karşılaştırır ve −1 (mükemmel dağılım) ile 0 (uzamsal rastgelelik) arasında değişen ve +1'e (mükemmel kümelenme) kadar bir istatistik döndürür. Bir anlamlılık testi, gözlemlenen örüntünün rastgele şanstan daha güçlü olup olmadığını belirler.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Global Moran's I'yı, uzamsal olarak referanslandırılmış verileri analiz ettiğiniz ve değerlerin tüm çalışma alanı boyunca uzamsal olarak kümelenmiş, dağılmış veya rastgele olup olmadığını bilmek istediğiniz her durumda ilk tanısal adım olarak kullanın. Sürekli veya sıralı öznitelikler için, alan birimleri (ülkeler, bölgeler, nüfus sayım bölgeleri) veya tanımlanmış bir komşuluk yapısına sahip nokta konumlarında ölçülen öznitelikler için uygundur. Özellikle herhangi bir uzamsal regresyon modeli uydurmadan önce değerlidir, çünkü regresyon kalıntılarındaki anlamlı pozitif otokorelasyon, OLS varsayımlarının ihlal edildiğini gösterir. Yalnızca kümelerin nerede oluştuğuyla ilgilendiğinizde (bunun için Yerel Moran's I veya Getis-Ord Gi* kullanın), uzamsal ağırlıklar matrisi anlamlı bir şekilde tanımlanamadığında veya değişken kategorik olduğunda kullanmayın — bu durumlarda farklı yöntemler geçerlidir.
Güçlü yönler & sınırlılıklar
- Genel kümelenme veya dağılım derecesinin tek, kolayca iletilebilen bir indeksini sağlar.
- Birden çok dağılım varsayımı altında kesin ve permütasyon tabanlı çıkarım ile teorik olarak sağlam bir temele sahiptir.
- Esnek uzamsal ağırlıklar matrisi özellikleri aracılığıyla hem poligon (alan) hem de nokta verilerine uygulanabilir.
- Standart yazılımlarda (GeoDa, R spdep, ArcGIS, Python PySAL) yaygın olarak uygulanmış olması, sonuçların tekrarlanabilir ve karşılaştırılabilir olmasını sağlar.
- Doğrudan model belirleme tanısı olarak kullanılabilir: OLS kalıntılarındaki anlamlı I, uzamsal regresyona ihtiyaç duyulduğunu işaret eder.
- Küresel bir özet olması nedeniyle, kümelerin veya aykırı değerlerin nerede bulunduğunu gösteremez — büyük bir pozitif I, negatif otokorelasyonun yerel ceplerini gizleyebilir.
- Sonuçlar, uzamsal ağırlıklar matrisinin seçimine (süreklilik tanımı, mesafe eşiği veya k) duyarlıdır; farklı seçimler farklı sonuçlar verebilir.
- Çok büyük veri kümeleri için, seyrek temsiller kullanılmadıkça tam n×n ağırlıklar matrisinin hesaplama maliyeti engelleyici olabilir.
- Normal yaklaşım çıkarımı, küçük örneklemler (n < 30) için veya öznitelik önemli ölçüde çarpıksa güvenilmezdir; permütasyon çıkarımı tercih edilir.
SSS
Global Moran's I ile Yerel Moran's I arasındaki fark nedir?
Global Moran's I, tüm çalışma alanı boyunca otokorelasyonu özetleyen tek bir değer döndürür. Yerel Moran's I (bir LISA istatistiği), bunu konuma özgü değerlere ayırarak, hangi bireysel alanların kümeleri veya uzamsal aykırı değerleri oluşturduğunu belirler. 'Kümelenme var mı?' sorusunu yanıtlamak için Global Moran's I'yı ve 'Nerede?' sorusunu yanıtlamak için Yerel Moran's I'yı kullanın.
Uzamsal ağırlıklar matrisini nasıl seçerim?
Seçim, hangi konumların birbirini etkilediğine dair teorinizi yansıtmalıdır. Poligon verileri için, kraliçe sürekliliği (ortak sınır veya köşe) yaygındır. Nokta verileri için, k-en yakın komşular veya ters mesafe çekirdeği tipiktir. Hassasiyet analizi — testin birkaç makul W matrisi ile çalıştırılması — sonuçlarınızın ne kadar sağlam olduğunu kontrol etmek için iyi bir uygulamadır.
Normal yaklaşım veya permütasyon çıkarımını kullanmalı mıyım?
Permütasyon çıkarımı (rastgeleleştirme testi) genellikle tercih edilir çünkü özniteliğin dağılımı hakkında herhangi bir varsayım yapmaz. Değerleri konumlara göre tekrar tekrar karıştırarak ve her seferinde I'yı hesaplayarak ampirik bir sıfır dağılımı oluşturur. Normal yaklaşım, öznitelik yaklaşık olarak normal olduğunda büyük n için uygundur.
Anlamlı negatif bir Moran's I ne anlama gelir?
Anlamlı derecede negatif bir I, uzamsal dağılımı gösterir: yüksek değerler düşük değerlerle ve tersiyle çevrilme eğilimindedir, bu da bir dama tahtası deseni oluşturur. Bu, sosyal ve çevresel verilerde pozitif otokorelasyondan daha az yaygındır ancak rekabetçi uzamsal sistemlerde, örneğin pazar bölgeleri veya belirli ekolojik nişlerde ortaya çıkabilir.
Global Moran's I'yı regresyon kalıntılarına uygulayabilir miyim?
Evet ve bu en önemli kullanımlarından biridir. OLS kalıntılarındaki anlamlı bir I, uzamsal bağımlılığın öngörücüler tarafından yeterince yakalanmadığını, bağımsızlık varsayımını ihlal ettiğini ve çıkarımı bozduğunu gösterir. Çözüm genellikle modeli bir uzamsal gecikme veya uzamsal hata modeli olarak yeniden belirtmektir.
Kaynaklar
- Moran, P. A. P. (1950). Notes on continuous stochastic phenomena. Biometrika, 37(1/2), 17–23. DOI: 10.2307/2332142 ↗
- Cliff, A. D., & Ord, J. K. (1981). Spatial Processes: Models and Applications. Pion. ISBN: 0850860814
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Global Moran's I Spatial Autocorrelation Statistic. ScholarGate. https://scholargate.app/tr/spatial-analysis/global-morans-i
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- 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
- Moran's IMekânsal analiz↔ karşılaştır
- Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır