Yerel Uzamsal Gecikme Modeli
Local Spatial Lag Model · Ayrıca şöyle bilinir: local SLM, geographically weighted spatial lag model, GW-SLM, spatially varying lag model
Yerel Uzamsal Gecikme Modeli, klasik uzamsal gecikme modelini, hem uzamsal otokorelasyon parametresinin hem de regresyon katsayılarının coğrafi konumlara göre değişmesine izin vererek genişletir. Her bir gözlemi etkileyen komşu sonuçların küresel bir tahmininin yerine, model çekirdek ağırlıklı yerel tahmin kullanarak konuma özgü parametreler uydurur ve uzamsal bağımlılıktaki uzamsal heterojenliği 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
Uzamsal yayılmaların gücünün çalışma bölgeniz boyunca değişmesini beklediğinizde ve bu heterojenliği haritalamak istediğinizde Yerel Uzamsal Gecikme Modelini kullanın. Küresel uzamsal gecikme modeli yetersiz kaldığında veya standart bir SLM'den elde edilen artıkların katsayı büyüklüğünün uzamsal kümelenmesini göstermesi durumunda uygundur. Uygun veriler, sürekli bir sonuç ve anlamlı uzamsal bağımlılık içeren coğrafi olarak referanslanmış kesitsel gözlemleri içerir. Örneklem küçük olduğunda (bant genişliği komşuluğu başına yaklaşık 100 gözlemden az), uzamsal süreç bölge boyunca gerçekten durağan olduğunda veya daha basit bir küresel model zaten iyi uyduğunda bundan kaçının — bu durumlarda ek karmaşıklık kararsız yerel tahminler üretir.
Güçlü yönler & sınırlılıklar
- Komşu yayılmalarının nerede güçlü, nerede zayıf olduğunu ortaya çıkararak uzamsal olarak değişen uzamsal bağımlılığı yakalar.
- Uzamsal gecikme modellemesinin çıkarımsal gücünü coğrafi olarak ağırlıklandırılmış regresyonun esnekliği ile birleştirir.
- Teknik olmayan kitlelere heterojenliği ileten yorumlanabilir yerel katsayı haritaları üretir.
- Çalışma bölgesi çeşitli kentsel-kırsal veya çevresel gradyanları kapsadığında küresel bir SLM'den daha gerçekçidir.
- Yerel tahminler, belirli coğrafi alt bölgelere hedeflenmiş politika veya müdahale için rehberlik edebilir.
- Hesaplama açısından yoğundur: özellikle büyük veri kümeleri için her konumda ayrı (veya yinelemeli) bir model uydurmayı gerektirir.
- Bant genişliği seçimi önemsiz değildir ve sonuçları güçlü bir şekilde etkiler; farklı kriterler (CV, AIC) farklı bant genişlikleri üretebilir.
- Yerel tahminlerin küresel SLM'ye kıyasla şişirilmiş varyansı vardır ve standart çıkarımsal teori yaklaşıktır.
- Yerel bir rho ve yerel beta'ların eşzamanlı tahmini teknik olarak zordur ve ince veriler için yakınsamayabilir.
- Sonuçların, tek bir tutumlu uzamsal model bekleyen dergilerde yayınlanması zor olabilir.
SSS
Yerel Uzamsal Gecikme Modeli, Coğrafi Ağırlıklı Regresyon'dan nasıl farklıdır?
Standart GWR, regresyon katsayılarının yerel olarak değişmesine izin verir ancak uzamsal gecikme bağımlılığını göz ardı eder. Yerel Uzamsal Gecikme Modeli ek olarak uzamsal otokorelasyon parametresi rho'nun konuma göre değişmesine izin vererek, sonucun kendisinin uzamsal olarak gecikmiş olduğu gerçeğini hesaba katar. Bu, uzamsal olarak değişen kovaryat etkilerinin yanı sıra uzamsal yayılmaların mevcut olduğu durumlarda daha uygundur.
Yerel rho her zaman istatistiksel olarak anlamlı mıdır?
Zorunlu değil. Çalışma alanının bazı bölgelerinde rho sıfıra yakın ve istatistiksel olarak anlamsız olabilirken, diğerlerinde büyük ve anlamlıdır. Yerel rho'yu sözde-p değerleriyle haritalamak bu heterojenliği ortaya çıkarır; anlamsız yerel rho'ya sahip alanlar daha basit bir yerel OLS veya GWR modeliyle yeterince tanımlanabilir.
Yerel Uzamsal Gecikme Modelini hangi yazılımlar tahmin edebilir?
R paketleri olan spatialreg ve GWmodel yapı taşları sağlar; bazı araştırmacılar ikisini manuel olarak birleştirir. Python'un PySAL ekosistemi de uzamsal olarak değişen regresyon uzantılarını destekler. Özel tak-çalıştır uygulamalar, yalnızca küresel SLM veya GWR için olduğu kadar standartlaşmamıştır.
Bant genişliğini nasıl seçerim?
Bant genişliği tipik olarak aday değerler ızgarası üzerinde AIC veya bırak-bir-çıkış çapraz doğrulama hatasını en aza indirerek seçilir. Daha küçük bir bant genişliği daha yerel, daha değişken tahminler verir; daha büyük bir bant genişliği küresel modele doğru yumuşatır. Optimal bant genişliği esneklik ve varyans arasında bir denge kurar.
Yerel Uzamsal Gecikme Modeli panel verilerini işleyebilir mi?
Panel ayarları için uzantılar mevcuttur ancak önemli ölçüde daha karmaşıktır ve uzamsal ve zamansal heterojenliğin ayrılabilir olup olmadığına dair varsayımlar gerektirir. Uzamsal bağımlılığa sahip panel verileri için, uzamsal panel modeli veya uzay-zaman GWR genellikle daha çözülebilir bir başlangıç noktasıdır.
Kaynaklar
- Anselin, L. (1988). Spatial Econometrics: Methods and Models. Kluwer Academic Publishers. ISBN: 978-9024737215
- Fotheringham, A. S., Brunsdon, C., & Charlton, M. (2002). Geographically Weighted Regression: The Analysis of Spatially Varying Relationships. Wiley. ISBN: 978-0471496168
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Local Spatial Lag Model. ScholarGate. https://scholargate.app/tr/spatial-analysis/local-spatial-lag-model
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 Uzamsal Durbin ModeliMekânsal analiz↔ karşılaştır
- Çok Ölçekli Coğrafi Ağırlıklı Regresyon (MGWR)Mekânsal analiz↔ karşılaştır
- Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır
- Mekansal Gecikme Modeli (SAR / Mekansal Otokorelatif)Mekânsal analiz↔ karşılaştır