Yerel Sıcak Nokta Analizi (Getis-Ord Gi*)
Local Hot Spot Analysis (Getis-Ord Gi*) · Ayrıca şöyle bilinir: local Getis-Ord Gi*, Gi* statistic, spatial hot spot detection, local spatial clustering
Yerel Sıcak Nokta Analizi, Getis-Ord Gi* istatistiğini kullanarak, şans eseri beklenenden daha fazla kümelenen yüksek veya düşük değerlere sahip belirli coğrafi konumları belirler. Tüm çalışma alanı için tek bir özet sonuç veren küresel ölçümlerin aksine, bu yerel istatistik, istatistiksel olarak anlamlı sıcak noktaların ve soğuk noktaların tam olarak nerede meydana geldiğini belirten her bir özellik için bir z-skoru 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
Kümelenmenin küresel olarak var olup olmadığını tespit etmek yerine, yüksek veya düşük değerlerin anlamlı bir şekilde yoğunlaştığı belirli coğrafi konumları belirlemek istediğinizde Yerel Sıcak Nokta Analizi'ni kullanın. Suç sayıları, hastalık görülme oranları, emlak değerleri veya çevresel ölçümler gibi coğrafi olarak referanslanmış sürekli veriler için ve araştırma sorusu eyleme geçirilebilir, yere özgü bulgular gerektirdiğinde uygundur. Veri setinde çok az gözlem varsa (yaklaşık 30'dan az), öznitelik değerleri sürekli yerine ikili ise, mekansal ağırlıklar spesifikasyonu teorik olarak gerekçelendirilemiyorsa veya tek bir küresel cevap yeterliyse ve konuma özgü ayrıntı gerekmiyorsa bundan kaçının.
Güçlü yönler & sınırlılıklar
- Anlamlılık haritası üretir: her konum kendi z-skorunu alır, kümelerin nerede oluştuğunun hassas bir şekilde belirlenmesini sağlar.
- Tek bir analizde sıcak noktaları (yüksek değerli kümeler) soğuk noktalardan (düşük değerli kümeler) ayırır.
- Düzensiz şekilli çalışma alanlarına karşı dayanıklıdır ve hem nokta hem de poligon verileriyle çalışır.
- İyi belgelenmiş çıkarım prosedürleriyle GIS yazılımlarında (ArcGIS, GeoDa, R spdep) yaygın olarak uygulanmıştır.
- FDR düzeltmesi ve Monte Carlo permütasyon seçenekleri, normallik dışı durumlarda çıkarımı güvenilir kılar.
- Sonuçlar mekansal ağırlıklar spesifikasyonuna duyarlıdır; farklı mesafe bantları veya komşu sayıları, hangi konumların anlamlı göründüğünü değiştirebilir.
- Yeterince büyük bir örneklem gerektirir - küçük veri setleri kararsız z-skorları ve şişirilmiş yanlış pozitif oranları üretir.
- Gi* istatistiği, gerçek bir mekansal süreci, yerel örüntüleri karıştıran küresel bir eğilimden (durağan olmama) ayırt edemez.
- Mekansal aykırı değerleri (düşük değerlerle çevrili yüksek bir değer) tanımlamaz; bu ayrım için Yerel Moran'ın I'ı gereklidir.
SSS
Yerel Sıcak Nokta Analizi (Gi*) ile Yerel Moran'ın I'ı arasındaki fark nedir?
Her ikisi de yerel mekansal istatistiklerdir, ancak Gi* benzer şekilde yüksek veya düşük değerlerin kümelerini (sıcak ve soğuk noktalar) belirlerken, Yerel Moran'ın I mekansal aykırı değerleri de tespit eder - yüksek bir değerin düşük değerlerle çevrili olduğu veya tam tersi konumlar. Saf sıcak nokta tespiti için Gi* tercih edilir; mekansal ilişki türlerinin daha tam bir resmi için her ikisini de kullanın.
Mekansal ağırlıkları veya mesafe eşiğini nasıl seçerim?
Eşik, etkileşim için teorik olarak anlamlı bir ölçeği yansıtmalıdır - örneğin, suç için gerçekçi bir seyahat mesafesi veya bir türün maksimum yayılma aralığı. Kümelenmenin zirveye ulaştığı mesafeyi bulmak için artımlı mekansal otokorelasyon analizi kullanın veya sürekli veriler için bir yarı varyogram inceleyin.
Neden yanlış keşif oranı (FDR) düzeltmesi uygulamalıyım?
Büyük bir veri setindeki her özellik için bir anlamlılık testi çalıştırmak, yanlış pozitifler için birçok fırsat yaratır. FDR düzeltmesi, yanlış keşiflerin beklenen oranını sınırlar ve sıcak nokta haritanızı daha güvenilir hale getirir. ArcGIS varsayılan olarak FDR'yi uygular; GeoDa ve R'nin bunu açıkça ayarlamasını gerektirir.
Yerel Sıcak Nokta Analizi, nüfus ağırlıklı sayım verilerini işleyebilir mi?
Evet. Hastalık vakaları gibi sayım verileri için, öncelikle bir oran (nüfus başına vaka) hesaplamalı veya Gi'yi çalıştırmadan önce nüfus yoğunluğunu ayarlamak için mekansal filtreleme kullanmalısınız. Bunu yapmamak, yalnızca yoğun alanları yansıtan sıcak noktalar üretir, gerçekte yükselmiş riski değil.
Bir permütasyon testi analitik z-skorundan daha mı iyidir?
Analitik z-skoru, çarpık veriler veya düzensiz poligon şekilleriyle geçerli olmayabilecek yaklaşık normalliği varsayar. Koşullu bir permütasyon testi (GeoDa ve R spdep'te mevcuttur), normalliği olmayan veriler için daha güvenilir p-değerleri sağlayan null dağılımını simüle etmek için öznitelik değerlerini konumlara göre rastgeleleştirir.
Kaynaklar
- 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 ↗
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Local Hot Spot Analysis (Getis-Ord Gi*). ScholarGate. https://scholargate.app/tr/spatial-analysis/local-hot-spot-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Sıcak Nokta Analizi (Getis-Ord Gi*)Mekânsal 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
- Yerel Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır