Mekansal İlişkinin Yerel Göstergeleri (LISA)
Local Indicators of Spatial Association (LISA) · Ayrıca şöyle bilinir: LISA, local spatial autocorrelation statistics, local Moran's I, Anselin LISA
Luc Anselin tarafından 1995 yılında tanıtılan LISA, küresel bir mekansal otokorelasyon indeksini, her bir gözlem için konuma özgü bir istatistiğe ayrıştırır. Harita üzerinde istatistiksel olarak anlamlı mekansal kümelerin ve aykırı değerlerin nerede meydana geldiğini belirleyerek araştırmacıların tek bir küresel özeti aşmalarına ve mekansal bağımlılığın coğrafi kaynaklarını tespit etmelerine olanak tanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+14 tane daha
Ne zaman kullanılır
Sadece kümelenmenin küresel olarak var olup olmadığını test etmek yerine, mekansal kümelerin veya aykırı değerlerin belirli coğrafi konumlarını (örneğin, hastalık sıcak noktalarını, suç kümelerini veya bölgesel ekonomik eşitsizlikleri haritalamak için) belirlemeniz gerektiğinde LISA'yı kullanın. En az aralık ölçeğinde ölçülmüş bir öznitelik ve anlamlı bir komşu tanımı ile coğrafi referanslı alansal veya nokta verileri gerektirir. LISA, permütasyon testlerinin gücünün yetersiz kaldığı çok küçük veri kümeleri (yaklaşık 30'dan az konum), coğrafi bileşeni olmayan tamamen zamansal veriler veya araştırma sorusunun yerel heterojenlikten ziyade küresel eğilimlerle ilgili olduğu durumlarda daha az uygundur. LISA'yı aynı anda birçok konumda çalıştırmanın çoklu test sorunlarını artırdığını unutmayın; yanlış keşif oranı (FDR) gibi düzeltmeler tavsiye edilir.
Güçlü yönler & sınırlılıklar
- Tek bir küresel indeksin çok ötesine geçerek, anlamlı mekansal kümelerin ve aykırı değerlerin kesin coğrafi konumlarını belirler.
- Küresel Moran's I'yı ayrıştırarak genel örüntüyü yönlendiren bireysel konumların belirlenmesini sağlar.
- Permütasyon tabanlı çıkarım, veriler hakkında herhangi bir dağılımsal varsayım gerektirmez.
- Uzman olmayan kitlelere bulguları ileten sezgisel, doğrudan haritalanabilir çıktılar (küme haritaları) üretir.
- Esnek: herhangi bir komşu tanımıyla alansal veya çokgen içindeki nokta verileri üzerindeki herhangi bir sürekli veya sayım özniteliğine uygulanabilir.
- Açık kaynaklı araçlarda (GeoDa, PySAL/esda, R spdep) aktif topluluk desteğiyle yaygın olarak uygulanmaktadır.
- Sonuçlar mekansal ağırlıklar matrisinin seçimine duyarlıdır; farklı komşu tanımları önemli ölçüde farklı küme haritaları üretebilir.
- Tüm konumlar için testleri aynı anda çalıştırmak tip-I hata oranını artırır; çoklu test düzeltmesi olmadan bazı görünen kümeler yanlış pozitifler olabilir.
- Permütasyon tabanlı p-değerleri sözde p-değerleridir; kesin çıkarımsal garantilerin yerini almazlar, ancak yaklaşık değerlerdir.
- LISA benzer değerlerin birlikte konumlanmasını tanımlar ancak kümelerin neden var olduğunu açıklamaz; nedensel yorum ek analiz gerektirir.
- Permütasyon dağılımlarının kaba olduğu çok küçük örneklemlerde (n < 30) performans düşer.
SSS
LISA ile küresel Moran's I arasındaki fark nedir?
Küresel Moran's I, tüm çalışma alanı boyunca mekansal otokorelasyonun genel derecesini özetleyen tek bir istatistik üretir. LISA, bu küresel ölçüyü her konum için yerel bir istatistiğe ayrıştırarak kümelerin ve aykırı değerlerin nerede yoğunlaştığını ortaya koyar. Güçlü yerel kümeler birbirini götürdüğünde bile küresel bir indeks genel otokorelasyon olmadığını gösterebilir.
Mekansal ağırlıklar matrisini nasıl seçmeliyim?
Seçim, fenomeniniz için mekansal etkileşimin esas teorisini yansıtmalıdır. Kale veya kraliçe bitişikliği düzenli alansal ızgaralar için yaygındır; mesafe bandı veya k-en yakın komşu ağırlıkları nokta verileri veya düzensiz çokgenler için uygundur. Seçimi her zaman raporlayın ve sağlamlığı değerlendirmek için alternatif bir spesifikasyonla bir duyarlılık kontrolü yapın.
Kaç permütasyon kullanmalıyım?
p < 0.05 için en az 999 permütasyon standarttır; p < 0.01'e yakın kararlı tahminlere ihtiyacınız varsa 9.999 kullanın. Daha fazla permütasyon, sözde p-değerlerindeki Monte Carlo değişkenliğini azaltır ancak hesaplama süresini doğrusal olarak artırır.
Bir küme haritasında Yüksek-Düşük aykırı değer ne anlama gelir?
Yüksek-Düşük mekansal aykırı değer, çoğunlukla düşük değerli komşularla çevrili yüksek öznitelik değerine sahip bir konumdur. Yerel bağlamından ayrılır. Bu, gerçek bir anormalliği (örn. yoksun bir bölgede izole edilmiş zengin bir yerleşim bölgesi) veya araştırılmaya değer bir veri kalitesi sorununu işaret edebilir.
Çoklu test düzeltmesi uygulamalı mıyım?
Evet, özellikle birçok konumun aynı anda test edildiği büyük veri kümelerinde. Düzeltme olmadan, beklenen yanlış anlamlı sonuç sayısı konum sayısı ile birlikte artar. Benjamini-Hochberg yanlış keşif oranı (FDR) prosedürü yaygın olarak tavsiye edilir; GeoDa ve PySAL her ikisi de bunu destekler.
Kaynaklar
- Anselin, L. (1995). Local Indicators of Spatial Association — LISA. Geographical Analysis, 27(2), 93–115. DOI: 10.1111/j.1538-4632.1995.tb00338.x ↗
- Anselin, L. (2010). Local Spatial Autocorrelation. In A. S. Fotheringham & P. A. Rogerson (Eds.), The SAGE Handbook of Spatial Analysis (pp. 255–275). SAGE Publications. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Local Indicators of Spatial Association (LISA). ScholarGate. https://scholargate.app/tr/spatial-analysis/local-indicators-of-spatial-association
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Geary'nin C'siMekânsal analiz↔ karşılaştır
- Coğrafi Ağırlıklı Regresyon (GWR)Mekânsal analiz↔ karşılaştır
- Sıcak Nokta Analizi (Getis-Ord Gi*)Mekânsal analiz↔ karşılaştır
- Yerel Getis-Ord Gi* (Sıcak Nokta Analizi)Mekânsal analiz↔ karşılaştır
- Moran's IMekânsal analiz↔ karşılaştır
- Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır