Sağlam Yerel Mekansal İlişki Göstergeleri (Robust LISA)
Robust Local Indicators of Spatial Association · Ayrıca şöyle bilinir: Robust LISA, outlier-resistant LISA, robust local spatial autocorrelation, LISA with robust weights
Sağlam Yerel Mekansal İlişki Göstergeleri, Anselin'in LISA çerçevesini aykırı değerler, aşırı değerler ve mekansal olarak heterojen popülasyonlarla başa çıkmak üzere genişletir. Mekansal ağırlıklara veya standartlaştırılmış değerlere aykırı değerlere dirençli ayarlamalar uygulayarak, Sağlam LISA, yüksek derecede etkili gözlemlerin neden olduğu bozulmalar olmadan istatistiksel olarak anlamlı yerel kümeleri ve mekansal aykırı değerleri tanımlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Mekansal verileriniz aşırı değerler, küçük risk altındaki popülasyonlara sahip nadir olaylar (örneğin, küçük ilçelerdeki hastalık oranları) içeriyorsa veya ön tanılama standart LISA sonuçlarının bir veya birkaç etkili konum tarafından domine edildiğini gösteriyorsa Sağlam LISA'yı kullanın. Özellikle epidemiyolojik veriler, küçük nüfus paydalarına sahip suç oranları ve ağır kuyruklu dağılımlara sahip sosyoekonomik değişkenler için uygundur. Veriler iyi davranışlı olduğunda standart LISA'nın rutin bir yerine geçmesi olarak kullanmayın; sağlam ayarlamalar karmaşıklık katar ve sonuçların iletilmesi daha zor olabilir. Ayrıca, örneklem mekansal birimler çok küçük olduğunda (30'dan az alan) kaçının, çünkü permütasyon çıkarımının gücü sınırlıdır.
Güçlü yönler & sınırlılıklar
- Standart LISA'da yapay kümeler oluşturabilen aykırı değerler ve aşırı değerlerden kaynaklanan bozulmayı azaltır.
- Popülasyon ayarlı varyantlar (Assuncao-Reis), farklı popülasyon büyüklüklerine sahip alanlar arasında varyansı stabilize ederek mekansal olarak değişen oranlar için daha güvenilir çıkarımlar sağlar.
- Standart LISA küme haritasının (Yüksek-Yüksek, Düşük-Düşük, mekansal aykırı değerler) yorumlanabilirliğini korur.
- Permütasyon tabanlı çıkarım, dağılımsal varsayımlar olmadan geçerli kalır.
- Herhangi bir mekansal ağırlık belirlemesiyle (bitişiklik, mesafe bandı, k-NN) birleştirilebilir.
- Sağlam ayarlama yönteminin seçimi standartlaştırılmamıştır; farklı uygulamalar farklı küme haritaları üretebilir.
- Eklenen karmaşıklık, sonuçların standart LISA'ya kıyasla teknik olmayan kitlelere açıklanmasını zorlaştırır.
- Veriler aslında aykırı değerlerle kirlenmemişse, sağlam ayarlamalar istatistiksel gücü azaltır.
- Değiştirilebilir alan birimi problemi (MAUP) veya kenar etkileriyle ilgili temel sorunları çözmez.
SSS
Sağlam LISA, standart Yerel Moran'ın I'sından nasıl farklıdır?
Standart Yerel Moran'ın I'sı, niteliği küresel ortalama ve varyans kullanarak standartlaştırır, bu da onu aşırı değerlere karşı hassas hale getirir. Sağlam LISA, aynı yerel istatistiği hesaplamadan önce aykırı değerlere dirençli standartlaştırma (örneğin, MAD tabanlı ölçeklendirme, sıra dönüşümleri veya popülasyon ayarlaması) uygular, böylece tek bir aşırı gözlem küme haritasını domine etmez.
Assuncao-Reis ayarlaması nedir ve ne zaman kullanmalıyım?
Assuncao-Reis (1999) ayarlaması, farklı popülasyon büyüklüklerine sahip alanlar arasında varyansı stabilize eden, mekansal olarak değişen bir oranı, bir sıfır model altında beklenen sayının karekökü ile yeniden ölçeklendirir. Oranları (örneğin, 1.000 kişiye düşen ölüm sayısı) çok farklı popülasyon paydalarına sahip mekansal birimler arasında analiz ederken kullanın.
Kaç permütasyon kullanmalıyım?
0.05 anlamlılık düzeyi için en az 999 permütasyon ve 0.01 eşik için en az 9.999 permütasyon. Daha fazla permütasyon daha kararlı sözde p-değerleri sağlar ancak hesaplama süresini artırır.
Sağlam LISA ile bir FDR düzeltmesi kullanmalı mıyım?
Evet. Yüzlerce konumu aynı anda test ederken, yanlış pozitiflerin beklenen sayısı büyüktür. Benjamini-Hochberg FDR düzeltmesi veya GeoDa'daki mekansal FDR yaklaşımı, genel yanlış keşif oranını kontrol etmek için önerilir.
Sağlam LISA'yı alan verileri yerine nokta verilerine uygulayabilir miyim?
Evet, ancak önce nokta konumları için bir mekansal ağırlıklar matrisi tanımlamanız gerekir (örneğin, mesafe bandı veya k-en yakın komşular). Sağlam ayarlama mantığı aynıdır; küme haritası yorumu dikkat gerektirir çünkü nokta düzeyindeki sonuçlar seçilen bant genişliğine duyarlıdır.
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 ↗
- Assuncao, R. M., & Reis, E. A. (1999). A new proposal to adjust Moran's I for population density. Statistics in Medicine, 18(16), 2147–2162. DOI: 10.1002/(SICI)1097-0258(19990830)18:16<2147::AID-SIM179>3.0.CO;2-I ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Local Indicators of Spatial Association. ScholarGate. https://scholargate.app/tr/spatial-analysis/robust-local-indicators-of-spatial-association
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Yerel Geary'nin C'siMekânsal analiz↔ karşılaştır
- Yerel Getis-Ord Gi* (Sıcak Nokta Analizi)Mekânsal analiz↔ karşılaştır
- Mekansal İlişkinin Yerel Göstergeleri (LISA)Mekânsal analiz↔ karşılaştır
- Yerel Moran's I (LISA)Mekânsal analiz↔ karşılaştır
- Sağlam Uzamsal OtokorelasyonMekânsal analiz↔ karşılaştır
- Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır