Sıcak Nokta Analizi (Getis-Ord Gi*)
Hot Spot Analysis (Getis-Ord Gi*) · Ayrıca şöyle bilinir: Getis-Ord Gi* statistic, spatial hot spot detection, cluster and outlier analysis, HSA
Sıcak Nokta Analizi, istatistiksel olarak anlamlı bir derecede kümelenmiş yüksek veya düşük öznitelik değerlerine sahip coğrafi konumları belirlemek için Getis-Ord Gi* yerel uzamsal istatistiğini kullanır. Her bir özellik komşularıyla ilişkilendirilerek değerlendirilir ve rastgele değişim arka planına karşı gerçek uzamsal sıcak ve soğuk noktaları işaretleyen bir z-skoru üretilir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+16 tane daha
Ne zaman kullanılır
Sürekli veya sayım özniteliğine sahip coğrafi referanslı verileriniz olduğunda ve yüksek veya düşük değerlerin istatistiksel olarak anlamlı uzamsal kümelerinin nerede meydana geldiğini belirlemek istediğinizde Sıcak Nokta Analizi'ni kullanın — örneğin, hastalık yükü yoğunluklarını, suç kümelerini veya ekonomik aktivite sıcak noktalarını belirlemek. Yöntem, güvenilir çıkarım için en az 30 özellik gerektirir ve öznitelik değerlerinin sıfır olmadığını varsayar. Uzamsal bağımlılığın araştırma sorusuyla ilgisiz olduğu, uzamsal destek (poligon boyutu) çalışma alanı boyunca değer standardizasyonu olmadan büyük ölçüde değiştiği veya temel sürecin tamamen rastgele olduğu bilindiğinde kaçının.
Güçlü yönler & sınırlılıklar
- Sadece yüksek değerleri haritalamak yerine istatistiksel olarak anlamlı uzamsal kümeleri belirler, görsel incelemeden kaynaklanan yanlış pozitifleri azaltır.
- Karar verme ve iletişim için hemen kullanılabilir, yorumlanabilir bir z-skoru ve güven düzeyi haritası üretir.
- Özelliğin kendisini komşuluk toplamına dahil eder (Gi*), bu da onu önceki Gi varyantından daha gerçek sıcak noktalara karşı daha hassas hale getirir.
- Esnek komşuluk tanımı (mesafe bandı, k-NN, bitişiklik), analistin varsayılan sürecin uzamsal ölçeğini eşleştirmesine olanak tanır.
- Yaygın olarak kullanılan araçlarda (ArcGIS, GeoDa, R spdep, PySAL) uygulanmış olması, uygulama engelini düşürür.
- Sonuçlar uzamsal ağırlıkların belirlenmesine duyarlıdır; farklı komşuluk mesafeleri önemli ölçüde farklı sıcak nokta desenleri üretebilir.
- Temel sürecin çalışma alanı boyunca durağanlığını varsayar; durağan olmama durumu sahte kümelere neden olabilir.
- Tüm özellikler üzerinde aynı anda yapılan çoklu testler tip I hata oranını şişirir; pratikte FDR veya Bonferroni düzeltmeleri sıklıkla atlanır.
- Uzamsal desen türleri arasındaki farkları ayırt etmez (örneğin, yüksek değerlerin bir kümesi ile orta dereceli değerlerle çevrili tek bir aşırı aykırı değer).
- Güvenilir çıkarım için makul derecede büyük ve uzamsal olarak dağılmış bir örnek gerektirir; seyrek veya düzensiz nokta desenleri güvenilirliği azaltır.
SSS
Sıcak Nokta Analizi ile Yerel Moran'ın I'sı arasındaki fark nedir?
Her ikisi de yerel uzamsal istatistiklerdir ancak farklı desenleri tespit ederler. Sıcak Nokta Analizi'nde kullanılan Gi* istatistiği yalnızca yüksek değer kümelerini (sıcak noktalar) veya düşük değer kümelerini (soğuk noktalar) tanımlar. Yerel Moran'ın I'sı ek olarak uzamsal aykırı değerleri — yüksek değerlerin düşük değerlerle çevrili olduğu özellikler ve tersi — tanımlar, bu da onu anormallikleri tespit etmek için daha bilgilendirici ancak basitçe iletmeyi zorlaştırır.
Doğru komşuluk mesafesini nasıl seçerim?
İlkesel bir yaklaşım, Artımlı Uzamsal Otokorelasyon analizi çalıştırmaktır: artan mesafe bantlarında Moran'ın I'sını uygulayın ve kümelenmenin en güçlü olduğu uzamsal ölçeği gösteren küresel z-skorunun zirveye ulaştığı mesafeyi seçin. Alternatif bir başlangıç noktası, özellik kümesinin ortalama veya medyan en yakın komşu mesafesidir.
Çoklu karşılaştırmalar için düzeltme yapmalı mıyım?
Evet. Büyük bir veri kümesindeki her özelliği aynı anda p < 0.05 düzeyinde test ettiğinizde, özelliklerin yaklaşık %5'inin şans eseri anlamlı görünmesini beklersiniz. Yanlış Keşif Oranı (FDR) düzeltmesi, uzamsal veriler için katı bir Bonferroni düzeltmesinden daha iyi hassasiyet ve tip I hata kontrolü dengesi sağladığı için Sıcak Nokta Analizi için yaygın olarak önerilir.
Sıcak Nokta Analizi'ni sayım verileri veya ikili verilerle kullanabilir miyim?
Gi* istatistiği sayım özniteliklerine (örneğin, poligon başına olay sayısı) uygulanabilir, ancak ikili (0/1) veriler nadiren güvenilir sonuçlar verir çünkü dağılım varsayımları yetersiz karşılanır. Seyrek sayım verileri için, daha kaba bir uzamsal birime toplama veya çekirdek yoğunluk tahmini gibi farklı bir yaklaşım kullanmayı düşünün.
Güvenilir sonuçlar için kaç özelliğe ihtiyacım var?
Genel öneri minimum 30 özelliktir, ancak daha büyük örnekler (100+) daha kararlı z-skoru dağılımları sağlar. Çok az sayıda özellikle, z-skorunun altında yatan normal yaklaşım güvenilmezdir ve verilerdeki küçük değişiklikler sonuçları dramatik bir şekilde değiştirebilir.
Kaynaklar
- Getis, A., & Ord, J. K. (1992). The analysis of spatial association by use of distance statistics. Geographical Analysis, 24(3), 189-206. DOI: 10.1111/j.1538-4632.1992.tb00261.x ↗
- Ord, J. K., & Getis, A. (1995). Local spatial autocorrelation statistics: Distributional issues and an application. Geographical Analysis, 27(4), 286-306. DOI: 10.1111/j.1538-4632.1995.tb00912.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Hot Spot Analysis (Getis-Ord Gi*). ScholarGate. https://scholargate.app/tr/spatial-analysis/hot-spot-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Coğrafi Ağırlıklı Regresyon (GWR)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