Yerel Coğrafi Ağırlıklı Regresyon (GWR)
Local Geographically Weighted Regression · Ayrıca şöyle bilinir: GWR, geographically weighted regression, local spatial regression, spatially varying coefficient model
Yerel Coğrafi Ağırlıklı Regresyon (GWR), çalışma alanındaki her konumda ayrı bir regresyon modeli tahmin eder ve her katsayının mekansal olarak değişmesine izin verir. Yakındaki gözlemleri uzaktakilere göre daha ağır ağırlıklandırarak, GWR, heterojen verilere tek bir küresel tahmin zorlamak yerine, tahminci-sonuç ilişkilerinin coğrafi uzayda nasıl kaydığını ortaya çıkarır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Teori veya keşifsel analiz, tahminci etkilerinin konumlara göre farklılaştığını — örneğin, istihdamın işe gidip gelme süreleri üzerindeki etkisinin kentsel ve kırsal alanlar arasında değiştiğini — öne sürdüğünde GWR'yi kullanın. En az 50-100 coğrafi işaretli gözleminiz, sürekli bir sonuç ve mekansal heterojenliğe odaklanan bir araştırma sorunuz olduğunda uygundur. İlişkilerin uzayda gerçekten durağan olduğu durumlarda (küresel bir model daha basit ve daha verimlidir), örneklem küçük olduğunda (yerel alt kümeler kararlı tahmin için yeterli gözleme sahip olmayabilir), tahminciler güçlü bir şekilde koliner olduğunda (yerel çoklu kolinerlik küreselden daha kötüdür) veya yalnızca küresel bir ortalama etki gerektiğinde GWR'yi kullanmayın.
Güçlü yönler & sınırlılıklar
- Tahminci etkilerinin bir çalışma alanı boyunca nasıl değiştiğini ortaya çıkararak mekansal durağan olmamayı açıkça modeller.
- Teknik olmayan kitlelere coğrafi desenleri ileten yorumlanabilir yerel katsayı haritaları üretir.
- Tek bir küresel regresyonun önemli bölgesel farklılıkları maskeleyeceği heterojen veri kümelerini işler.
- Uyarlanabilir bant genişliği seçeneği, araştırmacı yargısı olmadan düzensiz veri yoğunluğunu barındırır.
- AICc tabanlı bant genişliği seçimi, prensiplidir ve rakip model spesifikasyonları arasında karşılaştırılabilir.
- Yerel çoklu kolinerlik, küresel çoklu kolinerlikten genellikle daha şiddetlidir ve veri seyrek konumlarındaki katsayı tahminlerini istikrarsızlaştırabilir.
- Büyük veri kümeleri için hesaplama açısından pahalıdır çünkü her konumda ayrı bir ağırlıklı regresyon çözülür.
- Sonuçlar bant genişliği seçimine duyarlıdır; kötü seçilmiş bir bant genişliği, yerel ayrıntıyı kaybederek aşırı yumuşatma (over-smoothing) yapabilir veya gürültülü haritalar üreterek yetersiz yumuşatma (under-smoothing) yapabilir.
- Yerel katsayılar için standart anlamlılık testleri, konumlara göre birden fazla karşılaştırmayı düzeltmeyi gerektirir.
- Genelleştirilmiş GWR uzantıları olmadan ikili veya sayım sonuçlarına doğrudan uygulanamaz.
SSS
GWR, küresel bir mekansal regresyon modelinden nasıl farklıdır?
Küresel bir mekansal gecikme veya mekansal hata modeli, hata veya sonuçtaki mekansal bağımlılığı hesaba katmak için tek bir katsayı setine mekansal yapı ekler. GWR bunun yerine, ilişkilerin kendisindeki mekansal heterojenliği yakalamak için her konumda farklı bir katsayı seti tahmin eder. İki yaklaşım farklı mekansal sorunları ele alır ve mekansal olarak değişen katsayılı bir mekansal gecikme modelinde birleştirilebilir.
Ne kadar bant genişliği seçmeliyim?
Verinin karar vermesine izin verin: AICc'yi (tercih edilen) veya çapraz doğrulama tahmin hatasını bir dizi aday bant genişliği üzerinde minimize edin. Gözlem yoğunluğu düzensiz olduğunda uyarlanabilir bir bant genişliği (sabit komşu sayısı, örn. 40-60) ve yoğunluk kabaca tekdüze olduğunda sabit bir mesafe bant genişliği kullanın.
Yerel katsayı t-değerleri hipotez testi için güvenilir mi?
Düzeltme olmadan değil. GWR yüzlerce veya binlerce yerel model tahmin ettiğinden, her bir t-değerine %5 anlamlılık eşiği uygulamak birçok yanlış pozitif üretecektir. Standart GWR yazılımları tarafından sağlanan bir Bonferroni düzeltmesi, yanlış keşif oranı prosedürü veya Monte Carlo permütasyon testi uygulayın.
Ne kadar gözleme ihtiyacım var?
Kaba bir kılavuz olarak, tam veri kümesi için en az 50-100 coğrafi işaretli nokta ve her yerel regresyonun en az 20-30 etkili gözlemi olmalıdır (bant genişliği ile kontrol edilir). Daha az veriyle, yerel tahminler kararsız ve güvenilmez hale gelir.
Hangi yazılım GWR çalıştırır?
R'deki GWmodel paketi ve mgwr Python kütüphanesi en yaygın kullanılan açık kaynak uygulamalarıdır. ArcGIS Spatial Statistics ve GeoDa da programcı olmayanlar için erişilebilir GWR araç kutuları sağlar.
Kaynaklar
- Fotheringham, A. S., Brunsdon, C., & Charlton, M. (2002). Geographically Weighted Regression: The Analysis of Spatially Varying Relationships. Wiley. ISBN: 978-0471496168
- Brunsdon, C., Fotheringham, A. S., & Charlton, M. E. (1996). Geographically weighted regression: a method for exploring spatial nonstationarity. Geographical Analysis, 28(4), 281-298. DOI: 10.1111/j.1538-4632.1996.tb00936.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Local Geographically Weighted Regression. ScholarGate. https://scholargate.app/tr/spatial-analysis/local-geographically-weighted-regression
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
- Yerel Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır
- Çok Ölçekli Coğrafi Ağırlıklı Regresyon (MGWR)Mekânsal analiz↔ karşılaştır
- Mekansal Hata Modeli (SEM)Mekânsal analiz↔ karşılaştır
- Mekansal Gecikme Modeli (SAR / Mekansal Otokorelatif)Mekânsal analiz↔ karşılaştır