Çok Ölçekli Coğrafi Ağırlıklı Regresyon (MGWR)
Multiscale Geographically Weighted Regression · Ayrıca şöyle bilinir: MGWR, multiscale GWR, multi-scale geographically weighted regression, variable-bandwidth GWR
Çok Ölçekli Coğrafi Ağırlıklı Regresyon (MGWR), standart GWR'nin tek bant genişliği kısıtlamasını, her bir tahmin edicinin kendi uzamsal ölçeğinde çalışmasına izin vererek gevşeten yerel bir uzamsal regresyon çerçevesidir. Her bir katsayı yüzeyi kendi bant genişliği ile kalibre edilir, bu da modelin uzayda yavaş değişen etkenleri, keskin bir şekilde değişenlerden ayırt etmesini sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+9 tane daha
Ne zaman kullanılır
Coğrafi olarak referanslanmış verileriniz olduğunda ve tahmin ediciler ile bir sonuç arasındaki ilişkilerin uzayda değişmesini beklediğinizde ve — en önemlisi — farklı tahmin edicilerin farklı uzamsal ölçeklerde çalışabileceğini düşündüğünüzde MGWR kullanın. Bazı etkenlerin yerel (mahalle düzeyinde) ve diğerlerinin bölgesel olduğu kentsel analitik, epidemiyoloji, ekoloji ve bölgesel ekonomi için uygundur. Tek bir küresel bant genişliğinin makul olmadığı durumlarda standart GWR yerine MGWR'yi tercih edin. Uzamsal heterojenliğin beklenmediği (OLS veya küresel uzamsal modeller yeterlidir), örneklem çok küçük olduğunda (yaklaşık 100 gözlemden az, çünkü yerel tahmin güvensiz hale gelir) veya sonuç ikili veya sayım tabanlı olduğunda uygun bir bağlantı fonksiyonu olmadan MGWR kullanmayın.
Güçlü yönler & sınırlılıklar
- Her bir tahmin edicinin kendi ampirik olarak belirlenmiş uzamsal ölçeğinde çalışmasına izin vererek, standart GWR'nin tek beden herkese uyar bant genişliği kısıtlamasından kaçınır.
- Bir tahmin edicinin etkisinin nerede güçlü, zayıf olduğunu veya işaret değiştirdiğini ortaya koyan yorumlanabilir yerel katsayı yüzeyleri üretir.
- Tahmin edici başına bant genişliği, bir ölçek tanılama aracı olarak da işlev görür: çok büyük bir bant genişliği, neredeyse küresel (uzamsal olarak durağan) bir ilişkiyi gösterir.
- Çoğu gerçek veri uygulamasında AICc üzerinde standart GWR'den daha iyi performans gösterir, uzamsal varyasyonun zayıf olduğu durumlarda model karmaşıklığını azaltır.
- Python mgwr paketi erişilebilir, iyi belgelenmiş bir uygulama sunar.
- Hesaplama açısından pahalıdır: geri besleme döngüsü ve tahmin edici başına bant genişliği araması, büyük n ve çok sayıda tahmin edici ile kötü ölçeklenir.
- Çıkarım yaklaşıktır; düzeltilmiş standart hatalar ve kritik değerler, küçük örneklemler için güvenilmez olabilecek asimptotik yaklaşımlara dayanır.
- GWR gibi, MGWR de kesitsel uzamsal verileri varsayar; gerçek bir zamansal boyutun entegrasyonu ek uzantılar gerektirir.
- Kolinear tahmin ediciler, özellikle dar bant genişlikleriyle yerel katsayı tahminlerini istikrarsızlaştırabilir.
SSS
MGWR standart GWR'den nasıl farklıdır?
Standart GWR, tüm tahmin ediciler tarafından paylaşılan tek bir bant genişliğini kalibre eder, bu da her ilişkinin aynı coğrafi ölçekte değiştiği anlamına gelir. MGWR, her tahmin edici için ayrı, optimize edilmiş bir bant genişliği tahmin eder, böylece bazı ilişkiler neredeyse küresel (büyük bant genişliği, pürüzsüz yüzey) iken diğerleri oldukça yerel (dar bant genişliği, hızla değişen yüzey) olabilir.
Bir tahmin edici için büyük bir bant genişliği ne anlama gelir?
Büyük bir bant genişliği, modelin o tahmin edicinin katsayısını tahmin etmek için birçok uzak gözlemden bilgi ödünç alması gerektiği anlamına gelir, bu da ilişkinin uzamsal olarak durağan veya küresele yakın olduğunu gösterir. Limit durumunda, sonsuz büyük bir bant genişliği o tahmin edici için OLS ile aynı katsayı tahminini üretir.
Bir katsayı yüzeyinin gerçek uzamsal değişkenlik gösterip göstermediğini nasıl test ederim?
mgwr kütüphanesinde uygulanan Monte Carlo anlamlılık testini kullanın: kalıntıları tekrarlı olarak rastgeleleştirir ve gözlemlenen bir katsayı yüzeyindeki değişkenliğin rastgele permütasyonların üreteceğinden daha fazlasını aşıp aşmadığını kontrol eder. Bu, yerel t-istatistiklerinin 1.96'yı aşıp aşmadığını basitçe incelemekten daha güvenilirdir.
MGWR panel veya boylamsal uzamsal verileri işleyebilir mi?
Standart MGWR kesitsel veriler için tasarlanmıştır. Zamansal uzantılar (örneğin, GTWR veya panel uzamsal modeller) mevcuttur ancak ayrı çerçevelerdir. Verileriniz zaman içinde tekrarlanan gözlemler içeriyorsa, bir uzamsal panel modeli veya Coğrafi ve Zamansal Ağırlıklı Regresyonu düşünün.
MGWR ne kadar örneklem büyüklüğü gerektirir?
Kesin bir kural yoktur, ancak her konum yakınında çok az gözlem mevcut olduğunda yerel regresyon güvenilmez hale gelir. Pratikte, 100 gözlemden az örneklemler, özellikle dar bant genişlikleriyle, kararsız yerel tahminlere yol açar. Makul uzamsal kapsama alanına sahip daha büyük örneklemler (200+) tercih edilir.
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 for investigating process spatial heterogeneity and scale. ISPRS International Journal of Geo-Information, 8(6), 269. DOI: 10.3390/ijgi8060269 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Multiscale Geographically Weighted Regression. ScholarGate. https://scholargate.app/tr/spatial-analysis/multiscale-geographically-weighted-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 Mekansal RegresyonMekânsal 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