Küresel Mekansal Otokorelasyon
Global Spatial Autocorrelation Analysis · Ayrıca şöyle bilinir: global spatial dependence, global Moran's I, GSA, global spatial clustering measure
Küresel Mekansal Otokorelasyon, benzer değerlerin tüm bir çalışma alanı boyunca ne ölçüde kümelendiğini ölçer. Kümelenmelerin nerede meydana geldiğini belirlemek yerine, mekansal yakınlığın tüm gözlemler boyunca değer benzerliği, farklılığı veya rastgeleliği ile çakışıp çakışmadığını nicelendiren tek bir özet istatistik - en yaygın olarak Moran'ın I'sı - üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Küresel Mekansal Otokorelasyonu, herhangi bir mekansal modellemeden önce ilk geçiş tanılama olarak kullanın: verilerinizin hesaba katılması gereken mekansal bağımlılık sergileyip sergilemediğini doğrular. Sürekli veya sayım öznitelikleri için, n en az 30 olduğunda ve anlamlı bir mekansal ağırlıklar matrisi tanımlanabildiğinde, alan birimleri (sayım bölgeleri, ilçeler) veya enterpole edilmiş nokta desteklerinde ölçülür. Heterojen kümelenme desenlerinden şüphelendiğinizde yalnızca küresel istatistiğe güvenmeyin - o zaman yerel istatistikler gereklidir. Çalışma alanı sınırının keyfi olduğu ve doğal kümeleri kestiği (kenar etkileri) veya gözlemlerin mekansal olarak referanslanmadığı durumlarda da uygun değildir.
Güçlü yönler & sınırlılıklar
- Tüm çalışma alanı için mekansal bağımlılığın tek, yorumlanabilir bir özetini sağlar.
- Moran'ın I'sı, mekansal rastgelelik altında iyi anlaşılmış bir beklenen değere ve varyansa sahiptir, bu da resmi hipotez testi yapılmasına olanak tanır.
- Permütasyon tabanlı çıkarım, özniteliğin normal dağılım varsayımlarından bağımsızdır.
- Seyrek ağırlık matrisleri kullanıldığında büyük veri kümeleri için bile hesaplama açısından verimlidir.
- Mekansal regresyon modellerini uydurmadan önce temel bir tanılama adımı olarak hizmet eder.
- Yalnızca tek bir küresel özet döndürür - zıt işaretli yerel kümeler birbirini götürerek heterojen mekansal desenleri maskeleyebilir.
- Sonuçlar, mekansal ağırlıklar matrisinin seçimine duyarlıdır; farklı komşuluk tanımları farklı sonuçlar verebilir.
- Mekansal bağımlılığın çalışma alanı boyunca tekdüze olduğunu - ki bu genellikle gerçekçi değildir - varsayar.
- Kümelenmelerin nerede olduğunu belirlemez; bunun için her zaman takip eden yerel analiz gereklidir.
- Değiştirilmiş Moran'ın I varyantları, Gaussian olmayan sonuçlar (ikili, sayım veya oran verileri) için gereklidir.
SSS
Moran'ın I'sının aralığı nedir ve işaretini nasıl yorumlarım?
Moran'ın I'sı yaklaşık olarak -1 ile +1 arasında değişir. +1'e yakın pozitif değerler güçlü pozitif mekansal otokorelasyonu (benzer değerler birlikte kümelenir) gösterir. -1'e yakın değerler negatif otokorelasyonu (farklı değerler komşudur) gösterir. 0'a yakın değerler (veya beklenen değer -1/(n-1)) mekansal rastgeleliği düşündürür.
Küresel Mekansal Otokorelasyon, Yerel Moran'ın I'sından nasıl farklıdır?
Küresel istatistik, tüm çalışma alanı boyunca mekansal bağımlılığı özetleyen tek bir değer üretir. Yerel Moran'ın I'sı (bir LISA istatistiği), bunu konuma özgü değerlere ayırarak, önemli kümelerin veya aykırı değerlerin nerede meydana geldiğini - yüksek-yüksek kümeler, düşük-düşük kümeler ve mekansal aykırı değerler - ortaya çıkarır.
Hangi mekansal ağırlıklar matrisini kullanmalıyım?
Seçim teorik olarak gerekçelendirilmelidir. Bitişiklik ağırlıkları (kraliçe veya kale) alan poligon verileri için uygundur. K-en yakın komşu veya mesafe bandı ağırlıkları nokta verileri veya düzensiz poligon şekilleri için uygundur. İki veya üç olası spesifikasyon üzerinden duyarlılık analizi iyi bir uygulamadır.
Normal yaklaşımı mı yoksa permütasyon çıkarımını mı kullanmalıyım?
Permütasyon çıkarımı (tipik olarak 999 rastgele permütasyon) genellikle tercih edilir çünkü özniteliğin dağılımı hakkında herhangi bir varsayım yapmaz. Normal yaklaşım daha hızlıdır ancak çarpık veya ağır kuyruklu dağılımlar için yanıltıcı olabilir.
Anlamlı bir Moran'ın I'sı - şimdi bir mekansal regresyon modeline ihtiyacım var mı?
OLS artıklarınızdaki (sadece ham değişkeninizdeki değil) anlamlı bir küresel Moran'ın I'sı, mekansal bağımlılığın kovaryantlarınız tarafından tam olarak açıklanmadığını ve bunu göz ardı etmenin çıkarımı bozacağını gösterir. Bu durumda, bir mekansal gecikme veya mekansal hata modeline geçmek tavsiye edilir.
Kaynaklar
- Moran, P. A. P. (1950). Notes on continuous stochastic phenomena. Biometrika, 37(1/2), 17–23. DOI: 10.2307/2332142 ↗
- Anselin, L. (1988). Spatial Econometrics: Methods and Models. Kluwer Academic Publishers. ISBN: 978-9024737322
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Global Spatial Autocorrelation Analysis. ScholarGate. https://scholargate.app/tr/spatial-analysis/global-spatial-autocorrelation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Geary'nin C'siMekânsal analiz↔ karşılaştır
- Sıcak Nokta Analizi (Getis-Ord Gi*)Mekânsal analiz↔ karşılaştır
- Yerel Moran's I (LISA)Mekânsal analiz↔ karşılaştır
- Yerel Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır
- Moran's IMekânsal analiz↔ karşılaştır
- Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır