Çok Ölçekli Moran's I
Multiscale Moran's I Spatial Autocorrelation · Ayrıca şöyle bilinir: multi-scale Moran's I, spatial correlogram Moran, Moran correlogram, multiscale spatial autocorrelation
Çok Ölçekli Moran's I, klasik küresel Moran's I istatistiğini, bir dizi mesafe gecikmesi veya uzamsal ölçek boyunca uzamsal otokorelasyonu hesaplayarak genişletir. Elde edilen uzamsal korelogram, bir değişkenin kümelerinin veya dağılımlarının hangi coğrafi ölçeklerde bulunduğunu ortaya koyarak tek bir özet istatistikten daha zengin bir içgörü sunar.
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 otokorelasyonun mesafe ölçeklerine göre değişmesini beklediğiniz ve kümelenmenin karakteristik ölçeğini belirlemek istediğinizde Çok Ölçekli Moran's I'yı kullanın - örneğin, ekolojide (tür dağılımı), epidemiyolojide (hastalık yayılımı), kentsel analizde (sosyoekonomik örüntüler) ve çevresel izlemede. Özellikle tek bir küresel Moran's I'nın ölçeke bağlı yapıyı gizleyebilecek anlamlı olmayan bir sonuç döndürdüğü durumlarda değerlidir. Çalışma alanı birden çok anlamlı mesafe sınıfını desteklemeyecek kadar küçükse, veri konumları çok seyrekse (yaklaşık 50 noktadan azsa) veya tanımlayıcı bir örüntü özeti yerine nedensel bir model gerekiyorsa kullanmayın.
Güçlü yönler & sınırlılıklar
- Uzamsal kümelenmenin, bağımsızlığın veya düzenliliğin meydana geldiği ölçeği veya ölçekleri ortaya çıkarır - tek ölçekli bir istatistikte görünmeyen bilgiler.
- Uzamsal korelogram, çok ölçekli uzamsal yapının yorumlanabilir bir görsel özetini sağlar.
- Mesafe tabanlı veya bitişiklik ağırlıkları kullanarak düzensiz nokta örüntülerine ve alan verilerine eşit şekilde uygulanabilir.
- Permütasyon tabanlı çıkarım, dağılımdan bağımsızdır ve normal olmayan kalıntılara karşı dayanıklıdır.
- Sonraki modelleme kararlarını yönlendirir: korelogramın ilk sıfır geçişi, çekirdek düzeltme veya GWR için uygun bir bant genişliği önerir.
- Her mesafe sınıfı başına yeterli sayıda gözlem çifti gerektirir; büyük gecikmelerdeki seyrek veriler kararsız tahminler üretir.
- Birden çok testin şişirilmesi: her gecikmedeki anlamlılığı düzeltme olmaksızın test etmek, yanlış bulgulara yol açar.
- Mesafe sınıfı genişliğinin seçimine duyarlıdır; çok dar, gürültülü tahminler oluşturur, çok geniş, ölçek yapısını gizler.
- Kümelenmeyi herhangi bir nedensel mekanizmaya atfetmez; bu tanımlayıcı bir tanıdır, bir regresyon modeli değildir.
- Heterojen manzaralarda geçerli olmayabilecek ikinci dereceden durağan (uzay boyunca sabit ortalama ve varyans) bir uzamsal süreç varsayar.
SSS
Çok Ölçekli Moran's I, Yerel Moran's I (LISA) ile nasıl farklılık gösterir?
Çok Ölçekli Moran's I, her bir farklı mesafe ölçeğinde tek bir küresel otokorelasyon değeri hesaplar ve ölçekler boyunca kümelenme gücünün bir profilini (korelogram) üretir. Yerel Moran's I, otokorelasyonu uzamsal olarak ayrıştırır - sabit bir ölçekte her konum için bir değer üretir - hangi belirli yerlerin sıcak noktalar veya aykırı değerler olduğunu belirlemek için. İki yaklaşım farklı soruları yanıtlar: çok ölçekli Moran's I 'kümelenme hangi ölçekte oluşur?' diye sorarken, LISA 'kümelenme nerede oluşur?' diye sorar.
Mesafe sınıflarını nasıl seçmeliyim?
Yaygın bir kural, gecikme sınıfı başına en az 30 gözlem çifti olduğundan emin olmaktır. Minimum gözlemler arası mesafeden başlayın ve ortalama en yakın komşu mesafesiyle artırın. Maksimum gecikme, çift sayısının dik bir şekilde düştüğü çalışma alanının en büyük boyutunun yarısını geçmemelidir. R'nin spdep'i veya Python'un PySAL'ı gibi yazılımlar önerilen gecikme aralıklarını otomatik olarak hesaplayabilir.
Moran's I'nın gecikmeler boyunca işaret değiştirmesi ne anlama gelir?
Kısa gecikmelerde pozitif bir I_d, yakındaki konumların benzer değerleri paylaştığını (pozitif kümelenme) gösterir. I_d, bazı d* gecikmesinde sıfırı geçtiğinde, o ayrılıktaki değerler ilişkisizdir - d*, uzamsal bağımlılık aralığını yaklaştırır. Daha büyük gecikmelerde negatif I_d, benzer olmayan değerlerin sistematik olarak değiştiği uzamsal düzenliliği veya inhibisyonu gösterir.
Çok Ölçekli Moran's I'yı regresyon kalıntılarına uygulayabilir miyim?
Evet ve bu önerilen bir tanılama adımıdır. OLS kalıntıları üzerinde korelogram çalıştırmak, ölçekler boyunca bağımsızlık varsayımını test eder. Kısa gecikmelerde anlamlı pozitif otokorelasyon görünüyorsa, bir uzamsal regresyon modeli (uzamsal gecikme, uzamsal hata veya GWR) gereklidir.
Korelogramdaki kenar etkileriyle nasıl başa çıkarım?
Kenar etkileri, sınırın yakınındaki konumlarda daha az komşu olduğu için ortaya çıkar ve büyük gecikme tahminlerini yanlı hale getirir. Yaygın çözümler arasında, her iki konumun da sınırdan en az d uzakta olduğu çiftlerle analizi sınırlamak, düzenli ızgaralar için toroidal sarma kullanmak veya çalışma alanı sınırının etrafına koruyucu bölgeler uygulamak yer alır.
Kaynaklar
- Moran, P. A. P. (1950). Notes on continuous stochastic phenomena. Biometrika, 37(1-2), 17-23. DOI: 10.2307/2332142 ↗
- Legendre, P., & Fortin, M.-J. (1989). Spatial pattern and ecological analysis. Vegetatio, 80(2), 107-138. DOI: 10.1007/BF00048036 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Multiscale Moran's I Spatial Autocorrelation. ScholarGate. https://scholargate.app/tr/spatial-analysis/multiscale-morans-i
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Geary'nin C'siMekânsal analiz↔ karşılaştır
- Mekansal İlişkinin Yerel Göstergeleri (LISA)Mekânsal analiz↔ karşılaştır
- Yerel Moran's I (LISA)Mekânsal analiz↔ karşılaştır
- Moran's IMekânsal analiz↔ karşılaştır
- Çok Ölçekli Coğrafi Ağırlıklı Regresyon (MGWR)Mekânsal analiz↔ karşılaştır
- Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır