Yerel Mekansal Regresyon
Local Spatial Regression · Ayrıca şöyle bilinir: locally weighted spatial regression, spatially varying coefficient model, local spatial model, place-based regression
Yerel Mekansal Regresyon, bir çalışma alanındaki her konumda ayrı bir regresyon modeli uydurur ve regresyon katsayılarının uzay boyunca sürekli olarak değişmesine izin verir. Tek bir küresel eğimi tüm gözlemlere zorlamak yerine, tahminciler ve bir sonuç arasındaki ilişkinin coğrafi olarak nerede ve nasıl değiştiğini ortaya çıkarır - tek bir sayı yerine katsayıların bir haritasını 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
Tahminciler ve sonuç arasındaki ilişkinin konuma göre değiştiğinden şüphelendiğinizde - mekansal durağan olmama denilen bir koşul - Yerel Mekansal Regresyon kullanın. Mekansal olarak coğrafi referanslı kesitsel veriler için uygundur, burada küresel bir modelin kalıntıları mekansal otokorelasyon gösteriyorsa veya teoriye göre yere özgü mekanizmalar (örneğin, konut piyasaları, sağlık sonuçları, ekolojik eğilimler) öngörülüyorsa. Örneklem büyüklüğü küçükse (yaklaşık 100 gözlemden az), anlamlı koordinat bilgisi yoksa veya yalnızca tek bir ortalama etkiye ihtiyacınız varsa kullanmayın. Ayrıca, bilimsel sorunun mekansal heterojenliğin var olup olmadığı (önce küresel bir model artı tanı testleri kullanın) değil, nasıl tezahür ettiği ise uygun değildir.
Güçlü yönler & sınırlılıklar
- Mekansal durağan olmamayı ortaya çıkarır: tahminci etkilerinin çalışma alanı boyunca nasıl ve nerede değiştiğini gösterir.
- Teknik olmayan kitlelere mekansal desenleri ileten yorumlanabilir katsayı haritaları üretir.
- Önceden belirlenmiş bir mekansal ağırlık matrisi gerektirmeden mekansal bağlamı doğal olarak hesaba katar.
- Esnek çekirdek seçimi (Gauss, bisquare, sabit veya uyarlanabilir bant genişliği) veri yoğunluğuna uyum sağlar.
- Sürekli olmayan sonuçlar için genelleştirilmiş doğrusal model ailelerine (lojistik, Poisson) genişletilebilir.
- Hesaplama açısından yoğundur: her konumda ayrı bir regresyon uydurulur, çok büyük veri kümeleriyle kötü ölçeklenir.
- Tahminciler uzay boyunca benzer şekilde örtüşüyorsa, yerel tahminler kararsız ve yüksek derecede koliner olabilir, bu da yerel standart hataları şişirir.
- Çapraz doğrulama veya AIC yoluyla bant genişliği seçimi aykırı değerlere duyarlı olabilir ve katsayı yüzeyini aşırı düzeltebilir veya yetersiz düzeltebilir.
- Yerel katsayı yüzeylerinin tek bir tabloda özetlenmesi zordur; görselleştirme ve yorumlama GIS uzmanlığı gerektirir.
- Hata terimindeki mekansal bağımlılığı doğrudan modellemez; kalıntı otokorelasyonu kalabilir.
SSS
Yerel Mekansal Regresyon, sıradan mekansal regresyon modellerinden nasıl farklıdır?
Küresel mekansal modeller (mekansal gecikme, mekansal hata, Durbin) tüm çalışma alanı boyunca her tahminci için tek bir katsayı uydurur ancak bir ağırlık matrisi aracılığıyla mekansal bağımlılığı hesaba katar. Yerel Mekansal Regresyon bunun yerine her katsayının konuma göre sürekli olarak değişmesine izin verir ve mekansal durağan olmama tespitini önceliklendirir. İki yaklaşım farklı mekansal sorunları ele alır ve birleştirilebilir.
Bant genişliğini nasıl seçerim?
En yaygın otomatik yaklaşım, bir dizi aday bant genişliği üzerinde bırak-bir-çapraz doğrulama puanını veya AIC'yi en aza indirmektir. Gözlem yoğunluğunun çalışma alanı boyunca düzensiz olduğu durumlarda uyarlanabilir bant genişlikleri (sabit bir mesafeden ziyade belirli sayıda en yakın komşu tarafından tanımlanır) tercih edilir.
Yerel katsayılar istatistiksel olarak anlamlı mıdır?
Yerel sahte-t istatistikleri hesaplanabilir, ancak bir katsayı yüzeyi birçok ilişkili tahminden oluştuğu için, bireysel p-değerleri anlamlılığı abartır. Monte Carlo permütasyon testleri ve çoklu testler için düzeltmeler (örneğin, Benjamini-Hochberg prosedürü), yerel bir etkinin anlamlı olduğuna karar vermeden önce önerilir.
Yerel Mekansal Regresyonu ikili veya sayım sonucuyla kullanabilir miyim?
Evet. Coğrafi Ağırlıklı Genelleştirilmiş Doğrusal Modeller, ağırlıklı en küçük kareler yerine yerel olarak ağırlıklandırılmış en büyük olabilirlik tahmin edicisini uygulayarak çerçeveyi lojistik regresyona (ikili sonuçlar) ve Poisson regresyonuna (sayım sonuçları) genişletir.
Yerel Mekansal Regresyonu hangi yazılımlar destekler?
mgwr Python paketi (çok ölçekli GWR), GWR4 bağımsız uygulaması ve R'deki spdep/GWmodel paketleri ana araçlardır. StatWise, standart GWR için otomatik bant genişliği seçimi ve katsayı haritası dışa aktarma ile yönlendirilmiş bir iş akışı sağlar.
Kaynaklar
- Fotheringham, A. S., Brunsdon, C., & Charlton, M. (2002). Geographically Weighted Regression: The Analysis of Spatially Varying Relationships. Wiley. ISBN: 978-0471496168
- Brunsdon, C., Fotheringham, A. S., & Charlton, M. (1996). Geographically weighted regression: A method for exploring spatial nonstationarity. Geographical Analysis, 28(4), 281-298. DOI: 10.1111/j.1538-4632.1996.tb00936.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Local Spatial Regression. ScholarGate. https://scholargate.app/tr/spatial-analysis/local-spatial-regression
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 Gecikme ModeliMekânsal analiz↔ karşılaştır
- Çok Ölçekli Coğrafi Ağırlıklı Regresyon (MGWR)Mekânsal analiz↔ karşılaştır
- Mekansal Durbin Modeli (SDM)Mekânsal analiz↔ karşılaştır
- Mekansal Hata Modeli (SEM)Mekânsal analiz↔ karşılaştır
- Mekansal Gecikme Modeli (SAR / Mekansal Otokorelatif)Mekânsal analiz↔ karşılaştır