Yerel Moran's I (LISA)
Local Moran's I Statistic (LISA) · Ayrıca şöyle bilinir: Local Indicator of Spatial Association, LISA statistic, Anselin Local Moran, local spatial autocorrelation index
Luc Anselin tarafından 1995 yılında tanıtılan Yerel Moran's I, küresel mekansal otokorelasyonu konuma özgü katkılara ayıran bir Yerel Mekansal Birliktelik Göstergesi (LISA)'dır. Her gözlem için, mekansal kümeleri (yüksek-yüksek, düşük-düşük) ve mekansal aykırı değerleri (yüksek-düşük, düşük-yüksek) bir haritada tanımlamayı sağlayan işaretli bir istatistik ve anlamlılık değeri üretir.
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
Çalışma alanınızda mekansal kümelenmenin veya aykırı değerlerin değiştiğinden şüpheleniyorsanız ve bu desenlerin tam olarak nerede meydana geldiğini belirlemeniz gerektiğinde Yerel Moran's I'yi kullanın. Anlamlı bir mekansal ağırlık matrisi tanımlanabildiğinde, alan verileri (sayım bölgeleri, ülkeler, ızgara hücreleri) ve bölgelere toplanmış nokta verileri için uygundur. Genel otokorelasyonu tespit eden küresel bir Moran's I testinden sonra veya yerel heterojenliğin birincil araştırma sorusu olduğu durumlarda kullanın. Gözlemlerin gerçekten bağımsız olduğu (mekansal yapı yok), çalışma alanının yaklaşık 30 birimden az birime sahip olduğu (permütasyon dağılımları güvenilmez hale gelir) veya bir regresyon modeline ihtiyaç duyduğunuz durumlarda kullanmayın — bu durumlarda LISA'yı mekansal gecikme veya mekansal hata regresyonu ile birleştirin.
Güçlü yönler & sınırlılıklar
- Küresel otokorelasyonu konuma özgü katkılara ayırarak, kümelerin veya anormalliklerin gerçekte nerede meydana geldiğini ortaya çıkarır.
- Eş zamanlı olarak mekansal kümeleri (HH, LL) ve mekansal aykırı değerleri (HL, LH) tanımlayarak küresel istatistiklerden daha zengin harita tabanlı bir içgörü sağlar.
- Permütasyon tabanlı anlamlılık testi, verilerin dağılım varsayımlarını gerektirmez.
- Doğrudan yorumlanabilir çıktı: küme haritaları bulguları teknik olmayan kitlelere iletir.
- Hesaplama açısından basittir ve GeoDa, R (spdep), Python (PySAL) ve ArcGIS'de yaygın olarak uygulanmıştır.
- Çoklu testler: her konumda bir anlamlılık testi çalıştırmak Tip I hata oranını artırır; Düzeltilmiş Yanlış Keşif Oranı (FDR) veya Bonferroni gibi düzeltmeler uygulanmalıdır.
- Sonuçlar, mekansal ağırlık matrisinin seçimine duyarlıdır; farklı komşu tanımları farklı küme haritaları üretebilir.
- Altta yatan sürecin mekansal durağanlığını varsayar; eğer süreç çalışma alanı boyunca değişiyorsa istatistik yanıltıcı olabilir.
- Birim başına yeterli komşu gerektirir; az komşusu olan kenar konumlarının daha az kararlı tahminleri vardır.
- Nedensel ilişkileri modellemez — desenleri tanımlar, mekanizmaları değil.
SSS
Yerel Moran's I, küresel Moran's I'den nasıl farklıdır?
Küresel Moran's I, tüm çalışma alanı boyunca genel mekansal otokorelasyonu özetleyen tek bir istatistik üretir. Yerel Moran's I, her konum için ayrı bir istatistik ve p-değeri üretir, bu da kümelerin veya aykırı değerlerin tam olarak nerede meydana geldiğini haritalamanıza olanak tanır. Yerel Moran's I değerleri (yaklaşık olarak) küresel istatistiğe toplamlanır.
Dört LISA küme türü ne anlama geliyor?
Yüksek-Yüksek (HH): yüksek değerli komşularla çevrili yüksek değerli bir konum — bir sıcak nokta. Düşük-Düşük (LL): düşük değerli komşularla çevrili düşük değerli bir konum — bir soğuk nokta. Yüksek-Düşük (HL): düşük değerli komşularla çevrili yüksek değerli bir konum — bir mekansal aykırı değer. Düşük-Yüksek (LH): yüksek değerli komşularla çevrili düşük değerli bir konum — başka bir tür aykırı değer.
Mekansal ağırlık matrisini nasıl seçerim?
Seçim, varsayılan mekansal etkileşim sürecini yansıtmalıdır. Kraliçe sürekliliği (ortak kenarlar veya köşeler) poligon verileri için yaygındır; mesafeye dayalı veya k-en yakın komşu ağırlıkları düzensiz nokta desenlerine uygundur. Hassasiyet analizi — alternatif ağırlıklarla analizi yeniden çalıştırmak — sağlamlığı kontrol etmek için önerilir.
Çoklu testler için düzeltme yapmam gerekir mi?
Evet. Her konumda bir hipotez testi çalıştırmak, bazılarının şans eseri anlamlı görüneceği anlamına gelir. Yanlış Keşif Oranı (FDR) düzeltmesi genellikle mekansal analizde önerilir; Bonferroni daha muhafazakardır. Hem GeoDa hem de PySAL, FDR düzeltmeli küme haritaları sunar.
Yerel Moran's I'yi nokta verileriyle kullanabilir miyim?
Evet, ancak nokta verileri öncelikle bir mekansal ağırlık matrisi oluşturmak için bölgelere (örneğin, ızgara hücresi veya idari birim başına noktaları sayarak) toplanmalıdır. Alternatif olarak, kernel yoğunluk yüzeyleri kullanılabilir, ancak LISA çerçevesi en doğal olarak alan verilerine uygulanır.
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. 255–278). SAGE Publications. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Local Moran's I Statistic (LISA). ScholarGate. https://scholargate.app/tr/spatial-analysis/local-morans-i
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 Getis-Ord Gi* (Sıcak Nokta Analizi)Mekânsal analiz↔ karşılaştır
- Mekansal İlişkinin Yerel Göstergeleri (LISA)Mekânsal analiz↔ karşılaştır
- Moran's IMekânsal analiz↔ karşılaştır
- Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır