Çok Ölçekli Coğrafi Ağırlıklı Regresyon (MGWR)
Multiscale Geographically Weighted Regression · Ayrıca şöyle bilinir: multiscale GWR, multi-scale geographically weighted regression, Çok Ölçekli Coğrafi Ağırlıklı Regresyon (MGWR)
Fotheringham, Yang ve Kang tarafından 2017'de tanıtılan Çok Ölçekli Coğrafi Ağırlıklı Regresyon (MGWR), her katsayının kendi uzamsal ölçeğinde uzayda değişmesine izin veren bir uzamsal regresyon modelidir. Her bir tahminciye kendi bant genişliğini vererek Coğrafi Ağırlıklı Regresyonu genelleştirir, böylece bazı ilişkiler yerel olarak hareket edebilirken diğerleri neredeyse küresel olarak hareket edebilir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
MGWR, coğrafi koordinatlar taşıyan kesitsel verileri, sürekli bir sonucu ve en azından kabaca 80 gözlemi, farklı tahmincilerin farklı uzamsal ölçeklerde işlediğinden şüphelendiğinizde uydurur. Tek bir GWR bant genişliğinin çok kısıtlayıcı göründüğü durumlarda - bazı etkiler açıkça yerel, diğerleri geniş çapta kararlı - doğru seçimdir. Her katsayı kendi ölçeğinde yerleşebilir ve küresel olarak sabit bir katsayı geçerli bir sonuçtur. Coğrafi koordinatlar gerektirir ve GWR'den daha hesaplama açısından pahalıdır, bu nedenle çok büyük örneklemler (n > 500) yavaş çalışabilir ve yerel çoklu doğrusallık yoğunlaşabilir.
Güçlü yönler & sınırlılıklar
- Her katsayının kendi uzamsal ölçeğinde değişmesine izin verir, bazı etkiler yerel ve diğerleri küresel olduğunda genellikle GWR'den daha doğru tahminler verir.
- Her bir tahmincinin çalıştığı ölçeği ortaya çıkarır, bant genişliğinin kendisini yorumlanabilir bir sonuç haline getirir.
- Bir ilişkinin uzayda değişmediği durumlarda otomatik olarak küresel (sabit) bir katsayıya indirgenir.
- Her gözlem için coğrafi koordinatlar gerektirir; bunlar olmadan model uydurulamaz.
- Geri-fit ve katsayı başına bant genişliği araması nedeniyle GWR'den hesaplama açısından daha ağırdır; n > 500 için yavaş olabilir.
- Yerel bir modelden daha şiddetli olabilir, yerel katsayı tahminlerini istikrarsızlaştırabilir.
SSS
MGWR, GWR'den nasıl farklıdır?
GWR tek bir bant genişliği kullanır ve her katsayının aynı uzamsal ölçekte değişmesini zorlar. MGWR, her bir tahminci için ayrı bir bant genişliği tahmin eder, böylece her ilişki kendi ölçeğinde hareket edebilir - bazıları yerel, bazıları neredeyse küresel.
Coğrafi koordinatlara ihtiyacım var mı?
Evet. MGWR, gözlemleri uzamsal yakınlığa göre ağırlıklandırır, bu nedenle her kaydın koordinatları taşıması gerekir. Bunlar olmadan, bunun yerine standart GWR veya OLS kullanın.
MGWR büyük veri kümelerinde neden yavaştır?
Her bir katsayı yüzeyini tekrarlı olarak yeniden tahmin eden ve tahminci başına ayrı bir optimal bant genişliği arayan bir geri-fit algoritması kullanır. Maliyet hızla artar, bu nedenle yaklaşık 500 gözlemin üzerindeki örneklemler uzun sürebilir.
Bir tahminci için büyük bir bant genişliği ne anlama gelir?
Çok büyük (neredeyse küresel) bir bant genişliği, o tahmincinin etkisinin çalışma alanı boyunca esasen sabit olduğu anlamına gelirken, küçük bir bant genişliği, etkinin güçlü bir şekilde yerel olduğu ve yerden yere değiştiği anlamına gelir.
Kaynaklar
- Fotheringham, A. S., Yang, W. & Kang, W. (2017). Multiscale Geographically Weighted Regression (MGWR). Annals of the American Association of Geographers, 107(6), 1247–1265. DOI: 10.1080/24694452.2017.1352480 ↗
- Oshan, T. M., Li, Z., Kang, W., Wolf, L. J. & Fotheringham, A. S. (2019). mgwr: A Python Implementation of Multiscale Geographically Weighted Regression. Journal of Open Source Software, 4(42), 1670. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Multiscale Geographically Weighted Regression. ScholarGate. https://scholargate.app/tr/spatial-analysis/mgwr-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
- Getis-Ord Gi* Sıcak Nokta AnaliziMekânsal analiz↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Mekansal Hata Modeli (SEM)Mekânsal analiz↔ karşılaştır
- Mekansal Gecikme Modeli (SAR / Mekansal Otokorelatif)Mekânsal analiz↔ karşılaştır