Panel MGWR (Panel Multiscale Geographically Weighted Regression)
Panel Multiscale Geographically Weighted Regression · Ayrıca şöyle bilinir: Panel MGWR, MGWR panel data, multiscale GWR panel, panel spatially varying coefficient model
Panel MGWR, çoklu gözlemlere (panel) sahip veriler için Çok Ölçekli Coğrafi Ağırlıklı Regresyonu (Multiscale Geographically Weighted Regression) genişleterek, her bir tahmin edicinin kendi uzamsal bant genişliğinde işlemesine izin verirken birim-özgü veya zaman-özgü sabit etkileri kontrol eder. Hem uzamsal heterojenliğin hem de zamansal yapının eş zamanlı olarak önemli olduğu durumlarda kullanılır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Coğrafi olarak işaretlenmiş gözlemlerinizin birden çok zaman periyodunda ölçüldüğü ve en az bir tahmin edicinin etkisinin potansiyel olarak farklı ölçeklerde uzayda değişmesini beklediğiniz durumlarda Panel MGWR'yi kullanın. Hem nerenin hem de ne zamanın önemli olduğu bölgesel bilim, kentsel ekonomi, epidemiyoloji ve çevre çalışmaları için uygundur. Yalnızca kesitsel verileriniz varsa (standart MGWR kullanın), her konum ve zaman periyodu için örneklem boyutları çok küçükse (yerel tahmin bozulur), ilişkilerin uzamsal olarak durağan olmaması muhtemel ise (küresel bir panel modeli daha basit ve daha verimlidir) veya iteratif geri uydurma prosedürü göz önüne alındığında hesaplama süresi engelleyici ise kullanmayın.
Güçlü yönler & sınırlılıklar
- Her bir tahmin edicinin kendi uzamsal ölçeğinde işlemesine izin vererek, hangi etkilerin küresel hangilerinin yerel olarak heterojen olduğunu ortaya çıkarır.
- Birim ve zaman-özgü sabit etkileri kontrol ederek, kararlı göz ardı edilmiş değişkenlerin uzamsal olarak değişen tahminleri karıştırmasını önler.
- Uzamsal heterojenliği görsel ve analitik olarak erişilebilir kılan zengin bir yerel katsayı haritası seti üretir.
- Bazı tahmin ediciler gerçekten küresel olduğunda, bant genişlikleri tüm çalışma alanına yakınsadığı için standart GWR'den daha az parametrelidir.
- Panel regresyonunun yorumlanabilirliğini coğrafi olarak ağırlıklandırılmış yöntemlerin uzamsal esnekliği ile birleştirir.
- Çoklu bant genişlikleri arasında iteratif geri uydurma nedeniyle hesaplama yoğundur; çok sayıda tahmin ediciye sahip büyük paneller çok yavaş olabilir.
- Yeterli uzamsal tekrara ihtiyaç duyar — gözlemler seyrek veya dengesiz dağılmışsa, veri az olan bölgelerdeki yerel tahminler güvenilmezdir.
- Çıkarım yöntemleri hala gelişmektedir; standart hatalar ve anlamlılık testleri, küçük örneklemlerde yetersiz olabilecek asimptotik yaklaşımlara dayanır.
- Panel penceresi içindeki ilişkilerin zaman içinde durağan olduğunu veya zamansal değişimin zaman sabit etkileri tarafından tamamen yakalandığını varsayar.
- Sonuçlar, çekirdek fonksiyonu ve bant genişliği seçim kriterinin seçimine duyarlıdır.
SSS
Panel MGWR, standart panel GWR'den nasıl farklıdır?
Standart panel GWR, tüm tahmin ediciler için tek bir bant genişliği kullanır. MGWR, geri uydurma yoluyla her tahmin edici için ayrı bir optimum bant genişliği tahmin ederek bunu genişletir, böylece bazı etkiler neredeyse küresel iken diğerleri hiper-yerel olabilir. Panel bileşeni (sabit etkiler) her ikisinde de aynıdır.
Birim sabit etkileri ile zaman sabit etkileri arasında nasıl seçim yapmalıyım?
Birim sabit etkileri, zamana-sabit uzamsal karıştırıcıları (örneğin, coğrafya, kültür) kontrol eder. Zaman sabit etkileri, belirli bir dönemde tüm birimleri etkileyen ortak şokları emer. Her iki endişeniz de olduğunda her ikisini de (iki yönlü sabit etkiler) dahil etmek en güvenlisidir, ancak bu yeterli birim-içi ve dönem-içi değişimi gerektirir.
Panel MGWR'yi hangi yazılım çalıştırabilir?
MGWR 2.x Python paketi (pysal/mgwr), standart MGWR'yi uyarlanabilir bant genişlikleriyle uygular. Sabit etkili tam panel uzantıları, spdep ve plm ekosistemlerinden yararlanan özel R ve Python betiklerinde mevcuttur; 2024 itibarıyla hiçbir tek paket tüm panel MGWR varyantlarını kapsamamaktadır.
Ne kadar örneklem büyüklüğü önerilir?
Genel bir kural olarak, yerel modeli kararlı bir şekilde uydurmak için bant genişliği çekirdeği başına yeterli gözleme ihtiyacınız vardır — birim başına en az 30-50 uzamsal olarak yakın gözlem. Panel verileri için daha fazla zaman periyodu, sabit etkilerin hassasiyetini artırır ancak uzamsal yoğunluğun yerini tutmaz.
Panel MGWR kullanmadan önce uzamsal otokorelasyonu test etmeli miyim?
Evet. OLS veya panel-OLS artıklarındaki küresel bir Moran'ın I testi, uzamsal yapının varlığını doğrular ve uzamsal olarak değişen yaklaşımı motive eder. Model sonrası, Panel MGWR'den elde edilen artıkların Moran'ın I ile test edilmesi, modelin uzamsal durağan olmamayı yeterince emip emmediğini kontrol eder.
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 ↗
- Yu, H., Fotheringham, A. S., Li, Z., Oshan, T., Kang, W., & Wolf, L. J. (2020). Inference in Multiscale Geographically Weighted Regression. Geographical Analysis, 52(1), 87-106. DOI: 10.1111/gean.12189 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Panel Multiscale Geographically Weighted Regression. ScholarGate. https://scholargate.app/tr/spatial-analysis/panel-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 Coğrafi Ağırlıklı Regresyon (GWR)Mekânsal analiz↔ karşılaştır
- Çok Ölçekli Coğrafi Ağırlıklı Regresyon (MGWR)Mekânsal analiz↔ karşılaştır
- Panel Durbin Uzamsal ModeliMekânsal analiz↔ karşılaştır
- Panel Mekansal Hata ModeliMekânsal analiz↔ karşılaştır