Çok Ölçekli Uzamsal Otokorelasyon
Multiscale Spatial Autocorrelation Analysis · Ayrıca şöyle bilinir: multi-scale spatial autocorrelation, scale-decomposed spatial autocorrelation, multiscale Moran analysis, MSA
Çok ölçekli uzamsal otokorelasyon, bir dizi uzamsal ölçekte otokorelasyon istatistiklerini (Moran's I gibi) aynı anda hesaplayıp karşılaştırarak klasik uzamsal otokorelasyon analizini genişletir. Bu, hangi coğrafi mesafelerde veya çözünürlüklerde uzamsal kümelenme veya dağılımın en güçlü olduğunu ortaya çıkararak tek bir küresel ölçümden daha zengin bir resim 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
Bir olgunun aynı anda birden fazla uzamsal ölçekte işlediğinden (örneğin, bölgesel iklim desenleri içine yerleştirilmiş kentsel ısı adaları) şüphe duyduğunuzda veya bir uzamsal regresyon modelini uyumlaştırmadan önce bir sürecin karakteristik uzamsal tanecikliğini belirlemeniz gerektiğinde çok ölçekli uzamsal otokorelasyonu kullanın. Özellikle ölçek bağımlılığının teorik olarak gerekçelendirildiği ekoloji, epidemiyoloji ve kentsel çalışmalarda değerlidir. Bunu, düzgün bir şekilde belirtilmiş bir uzamsal regresyon modelinin yerine kullanmayın ve veri kümesi çok küçükse (yaklaşık 50 gözlemden az) kaçının, çünkü ölçekten bağımsız istatistikler kararsız hale gelir. Ayrıca, ölçek ayrışması belirsiz hale geldiği için uzamsal birimler düzensiz ve boyut olarak son derece heterojen olduğunda uygun değildir.
Güçlü yönler & sınırlılıklar
- Otokorelasyonu tek bir küresel ölçüme indirgemek yerine bir sürecin baskın uzamsal ölçeğini/ölçeklerini ortaya çıkarır.
- Sonraki uzamsal regresyon veya enterpolasyon modelleri için teori güdümlü ölçek seçimi desteği sağlar.
- Moran özvektör haritaları aracılığıyla hem düzenli hem de düzensiz uzamsal düzenlemelerle çalışır.
- Ölçek yapısını uzman olmayan kitlelere açıkça ileten görsel bir korelogram sağlar.
- Çok değişkenli uzantılarla (örneğin, ölçekler boyunca iki değişken arasındaki çapraz korelogramlar) uyumludur.
- Sonuçlar, mesafe bantlarının veya özvektör eşiklerinin seçimine güçlü bir şekilde bağlıdır ve savunulabilir parametrelendirme için alan bilgisi gerektirir.
- Eş zamanlı çoklu testler Tip I hata oranlarını artırır; düzeltme yöntemleri, özellikle az sayıda çiftin olduğu ince ölçeklerde gücü azaltır.
- Çok sayıda aday ölçek veya yüksek çözünürlüklü özvektör ayrıştırmaları olan çok büyük veri kümeleri için hesaplama açısından yoğundur.
- Doğrudan nedensel veya tahminci ilişkileri tahmin etmez; keşifsel ve tanısal bir araçtır.
SSS
Coğrafi işaretli veri kümenizi StatWise'a yükleyin, Çok Ölçekli Uzamsal Otokorelasyon'u seçin, değişkeni ve mesafe bantlarını belirtin veya aracın Moran özvektör haritalarını otomatik olarak oluşturmasına izin verin ve tam korelogramı, ölçekten bağımsız Moran's I değerlerini, anlamlılık işaretlerini ve bir varyans ayrıştırma grafiğini alın.
Hangi yazılımı kullanabilirim?
R paketleri adespatial ve vegan, MEM/PCNM tabanlı çok ölçekli analiz uygular. R'deki GeoDa ve spdep, uzamsal korelogramları hesaplar. Python kullanıcıları, korelogram tarzı analiz için PySAL'ın esda modülünü kullanabilir.
Kaç mesafe gecikmesi veya özvektör dahil etmeliyim?
Maksimum mesafe gecikmesi, her gecikmede yeterli çift olduğundan emin olmak için geleneksel olarak çalışma alanındaki maksimum çift mesafenin en fazla yarısı olarak ayarlanır. Özvektör haritaları için, negatif otokorelasyonu modellemek için bir neden olmadıkça, pozitif uzamsal otokorelasyonla (pozitif özdeğerler) ilişkili özvektörleri saklayın.
Bu yaklaşımı sürekli olmayan sonuçlarla kullanabilir miyim?
Evet. Korelogramlar ve MEM tabanlı ayrıştırmalar, sayım verilerine (birleştirme sayım istatistikleri gibi uygun otokorelasyon katsayıları kullanarak) ve ikili değişkenlere uygulanabilir, ancak yorumlama dikkat gerektirir ve permütasyon tabanlı çıkarım tercih edilir.
Anlamlı çok ölçekli otokorelasyon bulmak, bir uzamsal regresyon modeline ihtiyacım olduğu anlamına mı geliyor?
Zorunlu değil. Ham değişkendeki anlamlı otokorelasyon, kovaryetler kontrol edildikten sonra kaybolabilir. Çok ölçekli analizi regresyon kalıntıları üzerinde çalıştırın: otokorelasyon ölçekler boyunca devam ederse, bir uzamsal model veya ölçekten bağımsız kovaryetler warranted.
Coğrafi işaretli veri kümenizi StatWise'a yükleyin, Çok Ölçekli Uzamsal Otokorelasyon'u seçin, değişkeni ve mesafe bantlarını belirtin veya aracın Moran özvektör haritalarını otomatik olarak oluşturmasına izin verin ve tam korelogramı, ölçekten bağımsız Moran's I değerlerini, anlamlılık işaretlerini ve bir varyans ayrıştırma grafiğini alın.
Kaynaklar
- Borcard, D., & Legendre, P. (2002). All-scale spatial analysis of ecological data by means of principal coordinates of neighbour matrices. Ecological Modelling, 153(1-2), 51-68. DOI: 10.1016/S0304-3800(01)00501-4 ↗
- Csillag, F., & Kabos, S. (2002). Wavelets, boundaries, and the spatial analysis of landscape pattern. Ecoscience, 9(2), 177-190. DOI: 10.1080/11956860.2002.11682704 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Multiscale Spatial Autocorrelation Analysis. ScholarGate. https://scholargate.app/tr/spatial-analysis/multiscale-spatial-autocorrelation
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
- Mekansal İlişkinin Yerel Göstergeleri (LISA)Mekânsal analiz↔ karşılaştır
- Yerel Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır
- Moran's IMekânsal analiz↔ karşılaştır
- Çok Ölçekli Coğrafi Ağırlıklı Regresyon (MGWR)Mekânsal analiz↔ karşılaştır
- Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır