Yerel Mekansal Otokorelasyon
Local Spatial Autocorrelation Analysis · Ayrıca şöyle bilinir: local spatial association, local SA, LISA methods, local spatial clustering
Yerel Mekansal Otokorelasyon yöntemleri, küresel mekansal kümelenmeyi konuma özgü istatistiklere ayrıştırarak, çalışma alanının neresinde anlamlı kümelenme veya dağılma meydana geldiğini ortaya koyar. Her gözlem kendi ilişki puanını ve anlamlılık değerini alır; bu da tek bir özet istatistik raporlamak yerine mekansal sıcak noktaları, soğuk noktaları ve mekansal aykırı değerleri tespit etmeyi mümkün kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+8 tane daha
Ne zaman kullanılır
Kümelenmenin küresel olarak var olup olmadığını değil, çalışma alanında nerede anlamlı kümelenme veya mekansal aykırı değerlerin meydana geldiğini belirlemeniz gerektiğinde yerel mekansal otokorelasyonu kullanın. Sürekli veya sayım verileri için, alan birimleri (nüfus sayım bölgeleri, ilçeler) veya toplu halde coğrafi referanslı noktalar üzerinde dağıldığında uygundur. Mekansal heterojenliğin şüphelenildiği — bazı bölgelerin güçlü bir şekilde kümelendiği, bazılarının ise kümelenmediği durumlarda doğru araçtır. Yalnızca küresel bir özet gerektiğinde küresel Moran'ın I'nın yerine kullanmayın. Mekansal ağırlıklar matrisinin kötü tanımlandığı, örneklemin çok küçük olduğu (yaklaşık 30'dan az birim) veya birçok birimin sıfır veya çok az komşuya sahip olduğu durumlarda kaçının, çünkü çıkarım güvenilmez hale gelir. Çoklu test şişirmesi gerçek bir endişedir; her zaman FDR gibi bir düzeltme uygulayın.
Güçlü yönler & sınırlılıklar
- Mekansal ilişkiyi konuma özgü ölçümlere ayırır, sıcak noktaların, soğuk noktaların ve mekansal aykırı değerlerin hassas bir şekilde tanımlanmasını sağlar.
- Esnek: birden çok istatistik (Yerel Moran'ın I, Yerel Geary'nin C'si, Gi*) kümelenme veya aykırı değer tespiti hakkındaki farklı araştırma sorularına uygundur.
- Permütasyon tabanlı çıkarım, veriler hakkında herhangi bir dağılım varsayımı yapmaz.
- Sonuçlar, mekansal eşitsizliği veya hastalık yükünü bir bakışta ileten sezgisel, politika açısından ilgili küme haritalarına doğrudan çevrilir.
- Toplamsal ayrıştırma özelliği: yerel Moran'ın I değerlerinin toplamı, bir sabite kadar küresel Moran'ın I'ya eşittir ve yerel ve küresel analizler arasında bir köprü sağlar.
- Sonuçlar, mekansal ağırlıklar matrisinin seçimine ve belirtilmesine büyük ölçüde bağlıdır; farklı komşu tanımları farklı küme haritaları üretebilir.
- Her konum için ayrı bir anlamlılık testi yapmak, aile bazında hata oranını artırır; çoklu test düzeltmeleri gücü azaltır.
- Permütasyon çıkarımı, çok sayıda permütasyonla büyük veri kümeleri için hesaplama açısından yoğun olabilir.
- Yerel istatistikler, her yerel komşuluk içinde durağanlığı varsayar, bu da yüksek derecede heterojen bölgelerde geçerli olmayabilir.
- Mekansal aykırı değer çeyreklerinin (Yüksek-Düşük, Düşük-Yüksek) yorumlanması dikkat gerektirir; gerçek mekansal anomalilerden ziyade veri kalitesi sorunlarını veya sınır etkilerini yansıtabilirler.
SSS
Yerel mekansal otokorelasyon, küresel Moran'ın I'dan nasıl farklıdır?
Küresel Moran'ın I, tüm çalışma alanı boyunca mekansal kümelenmenin genel derecesini özetleyen tek bir sayı üretir. Yerel mekansal otokorelasyon, her bir konum için bir istatistik üretir ve hangi belirli yerlerin anlamlı kümeler veya aykırı değerler oluşturduğunu ortaya koyar. Yerel değerler, küresel istatistiği yeniden üretecek şekilde toplanabilir, bu nedenle birbirini tamamlayan değil, rekabet eden ölçümlerdir.
Hangi yerel istatistiği seçmeliyim — Yerel Moran'ın I, Yerel Geary'nin C'si veya Gi*?
Yerel Moran'ın I, kümeleri ve mekansal aykırı değerleri aynı anda tespit etmek için en iyisidir ve en yaygın kullanılanıdır. Yerel Geary'nin C'si, yerel farklılığa ve aykırı değerlere daha duyarlıdır. Getis-Ord Gi*, yalnızca konsantrasyona (sıcak ve soğuk noktalar) odaklanır ve mekansal aykırı değerleri tespit etmez; yerel olarak yüksek veya düşük değerlerin yoğunlaşıp yoğunlaşmadığını test etmek istediğinizde tercih edilir.
Hangi çoklu test düzeltmesini uygulamalıyım?
Benjamini-Hochberg yanlış keşif oranı (FDR) düzeltmesi, şimdi mekansal analizde standart öneridir çünkü Bonferroni'den daha az muhafazakardır ve aynı zamanda yanlış keşiflerin beklenen oranını kontrol eder. Bazı yazılımlar (örneğin, GeoDa) varsayılan olarak FDR uygular. Her zaman kullanılan düzeltmeyi raporlayın.
Güvenilir çıkarım için kaç permütasyon gereklidir?
999 permütasyon, p = 0.05 eşikleri için geleneksel minimumdur; p = 0.01 veya p = 0.001 düzeyinde çalışırken veya yayın için kesinlik önemli olduğunda 9999 permütasyon önerilir. Daha fazla permütasyon hesaplama süresini artırır ancak p-değeri kararlılığını iyileştirir.
Yerel mekansal otokorelasyon nokta verilerine uygulanabilir mi?
Evet, ancak nokta verileri önce alan birimlerine toplu hale getirilmeli veya mesafe veya k-en yakın komşu kriterlerinden bir mekansal ağırlıklar matrisi oluşturulmalıdır. Çekirdek yoğunluk tahmini, sürekli mekansal alanlar için bir alternatiftir; yerel mekansal otokorelasyon, en doğal olarak zaten ayrık mekansal birimlere ayrılmış veriler için uygundur.
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 ↗
- Indicators of spatial association. Wikipedia. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Local Spatial Autocorrelation Analysis. ScholarGate. https://scholargate.app/tr/spatial-analysis/local-spatial-autocorrelation
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 Geary'nin C'siMekânsal 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
- Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır