Mekansal İlişkilendirme İçin Panel Yerel Göstergeleri (Panel LISA)
Panel Local Indicators of Spatial Association · Ayrıca şöyle bilinir: Panel LISA, spatiotemporal LISA, panel local spatial autocorrelation, LISA panel extension
Mekansal İlişkilendirme İçin Panel Yerel Göstergeleri (Panel LISA), Anselin'in LISA istatistiklerini — en yaygın olarak Yerel Moran I — panel veri kümelerine genişleterek, birden çok zaman periyodunda her konumdaki mekansal kümeleri ve aykırı değerleri tanımlar. Yerel otokorelasyon ölçümlerini zaman içinde tekrarlı olarak uygulayarak, araştırmacılar mekansal yoğunlaşma örüntülerinin ortaya çıkıp çıkmadığını, devam edip etmediğini veya dağılıp dağılmadığını tespit edebilir, bu da tek bir kesitten daha zengin bir mekansal-zamanlı 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
Konum tanımlayıcıları olan coğrafi işaretli verileriniz zaman içinde tekrarlı olarak ölçülmüşse (örneğin, yıllık bölgesel istatistikler, bölgeye göre tekrarlanan sağlık anketleri, çeyrek bazında emlak fiyatları) ve mekansal kümelerin zaman içinde nerede oluştuğunu, devam ettiğini veya dağıldığını belirlemek istiyorsanız Panel LISA'yı kullanın. Mekansal panel regresyonu uydurmadan önce keşifsel mekansal veri analizi (ESDA) için çok uygundur. Tek başına bir onaylayıcı çıkarımsal test olarak kullanmayın; öncelikle keşifseldir. Panel çok kısaysa (3-4 periyottan az), mekansal birimler ağırlıklar matrisini bozacak derecede heterojense veya birincil ilgi küresel otokorelasyon ise, yerel değil — bu durumda Panel Moran I kullanın — uygun değildir.
Güçlü yönler & sınırlılıklar
- Küresel istatistiklerin (örneğin, küresel Moran I) gizlediği mekansal olarak yerelleşmiş örüntüleri ortaya çıkarır, genel otokorelasyonu yönlendiren belirli konumları belirler.
- İyi doğrulanmış tek kesitli bir yöntemi panel verilerine genişleterek, mekansal kümelerin zamansal evrimini incelemeyi sağlar.
- Mekansal-zamanlı örüntüleri uzman olmayan kitlelere etkili bir şekilde ileten sezgisel küme haritaları (LISA haritaları) üretir.
- Parametrik bir dağılım varsayımı gerektirmez; anlamlılık permütasyonla değerlendirilir.
- Mekansal panel regresyonu öncesinde bir tanı olarak hizmet edebilir, model belirlemesini ve mekansal gecikme veya hata yapısı seçimini yönlendirir.
- Sonuçlar mekansal ağırlıklar matrisinin seçimine duyarlıdır; farklı komşuluk tanımları belirgin şekilde farklı küme haritaları üretebilir.
- Yüzlerce konumun aynı anda test edildiği durumlarda çoklu test sorunu ciddi bir endişedir; düzeltme olmadan birçok yanlış pozitif ortaya çıkar.
- Yöntem öncelikle keşifsel ve tanımlayıcıdır; nedensel ilişkileri modellemez veya karıştırıcıları kontrol etmez.
- Panel uzantısı, birleşmeler, bölünmeler veya sınır değişikliklerinin doğrudan karşılaştırmayı geçersiz kıldığı zaman içinde kararlı mekansal birimler gerektirir.
- Permütasyon tabanlı p-değerleri permütasyon sayısına duyarlıdır ve yazılım uygulamaları arasında biraz farklılık gösterebilir.
SSS
Kriminoloji: polis karakolları arasındaki yıllık panel verilerinde suç sıcak noktalarının kararlı mı yoksa mekansal olarak hareketli mi olduğunu ortaya çıkarmak.
Tarım ekonomisi: hassas tarım müdahalelerini yönlendirmek için çiftlik panelleri arasındaki kalıcı verim kümelerini belirlemek.
Panel LISA, her yıl için ayrı ayrı LISA çalıştırmaktan nasıl farklıdır?
Her yıl için ayrı ayrı LISA çalıştırmak, hesaplama aşamasında Panel LISA'nın yaptığı tam olarak budur; 'panel' uzantısı, yıllar arasındaki karşılaştırmalı analizde yatar — kalıcılığı test etmek, kararlılık indeksleri hesaplamak veya elde edilen yerel istatistikleri bir panel regresyonuna girdi olarak kullanmak. Tutarlı bir ağırlıklar matrisi kullanmak ve tüm periyotlar boyunca birlikte çoklu test düzeltmeleri uygulamak, en iyi uygulama panel-spesifik iyileştirmelerdir.
Hangi ağırlıklar matrisini kullanmalıyım?
Bitişiklik matrisleri (kraliçe veya kale), çokgen alan birimleri (örneğin, idari bölgeler) için yaygındır. Mesafe-bant veya k-en yakın komşu matrisleri nokta veya düzensiz veriler için uygundur. Seçim, beklediğiniz yayılma veya etkileşim mekanizması tarafından teorik olarak motive edilmelidir. Her zaman en az iki alternatif belirleme için duyarlılık testi yapın ve farklılıkları raporlayın.
Çoklu test sorununu nasıl ele alırım?
Kümeleri haritalamadan önce permütasyon p-değerlerine bir yanlış keşif oranı (FDR) düzeltmesi (Benjamini-Hochberg) veya bir Bonferroni düzeltmesi uygulayın. FDR, mekansal veriler için genellikle daha az muhafazakar olduğu için tercih edilir. Bazı yazılım paketleri (PySAL, spdep), LISA için yerleşik FDR düzeltmeleri sunar.
Panel LISA bir mekansal panel regresyonunun yerini alabilir mi?
Hayır. Panel LISA keşifseldir — zaman içinde mekansal kümelerin nerede bulunduğunu belirler ancak kovaryetleri kontrol etmez veya yapısal parametreleri tahmin etmez. Bir mekansal panel modelini (SAR, SEM, SDM) motive etmek ve belirlemek için kullanın, yerine koymak için değil.
Kaynaklar
- Anselin, L. (1995). Local indicators of spatial association — LISA. Geographical Analysis, 27(2), 93–115. DOI: 10.1111/j.1538-4632.1995.tb00338.x ↗
- Millo, G., & Piras, G. (2012). splm: Spatial panel data models in R. Journal of Statistical Software, 47(1), 1–38. DOI: 10.18637/jss.v047.i01 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Panel Local Indicators of Spatial Association. ScholarGate. https://scholargate.app/tr/spatial-analysis/panel-local-indicators-of-spatial-association
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Mekansal İlişkinin Yerel Göstergeleri (LISA)Mekânsal analiz↔ karşılaştır
- Yerel Moran's I (LISA)Mekânsal analiz↔ karşılaştır
- Panel Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır
- Mekansal İlişkilendirme İçin Uzay-Zaman Yerel Göstergeleri (ST-LISA)Mekânsal analiz↔ karşılaştır