Uzay-Zaman Mekansal Otokorelasyonu
Space-Time Spatial Autocorrelation Analysis · Ayrıca şöyle bilinir: STSA, spatiotemporal autocorrelation, space-time Moran's I, temporal spatial dependence
Uzay-Zaman Mekansal Otokorelasyonu, klasik mekansal otokorelasyon ölçümlerini — en önemlisi Moran'ın I'ı — hem coğrafi birimler hem de zaman dilimleri boyunca değişen verileri kapsayacak şekilde genişletir. Zaman olarak yakın olan komşu konumların benzer öznitelik değerlerini paylaşma eğiliminde olup olmadığını tespit ederek, yalnızca mekansal veya yalnızca zamansal analizlerin kaçıracağı kümeleri, eğilimleri veya anomalileri ortaya çıkarır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+3 tane daha
Ne zaman kullanılır
Coğrafi olarak referanslanmış gözlemlerinizin birden çok zaman noktasında kaydedildiği ve mekansal kümelenme yapısının zamanla değiştiğinden veya zamansal yayılmanın (örn. hastalık yayılımı, suç yayılımı, ekonomik bulaşma) mevcut olduğundan şüphelendiğiniz durumlarda uzay-zaman mekansal otokorelasyonunu kullanın. Özellikle halk sağlığı gözetimi, çevresel izleme ve bölgesel ekonomi için değerlidir. Gözlemlerin zaman içinde gerçekten bağımsız olduğu, zaman serisinin çok kısa olduğu (üçten az dönem) veya mekansal birimlerin dönemler boyunca sınırlarını değiştirdiği durumlarda uygulamayın, çünkü bu koşullar ağırlık matrisi varsayımını geçersiz kılar.
Güçlü yönler & sınırlılıklar
- Mekansal bağımlılığı ve zamansal dinamikleri tek bir tutarlı çerçevede eş zamanlı olarak yakalar.
- Kesit veya zaman serisi yöntemlerinin gözden kaçırdığı ortaya çıkan kümeleri veya yayılma süreçlerini tespit eder.
- Yerel LISTA istatistikleri, küresel sinyali yönlendiren belirli konum-dönem kombinasyonlarını belirler.
- Parametrik olmayan permütasyon çıkarımı, öznitelik dağılımlarının normal olmamasına karşı sağlam olmasını sağlar.
- Olgun yazılımlarda (GeoDa, PySAL, R spdep) yerleşik görselleştirme araçlarıyla yaygın olarak desteklenir.
- Dengeli panel veri gerektirir — her zaman diliminde gözlemlenen aynı mekansal birimler kümesi.
- Mekansal ağırlık matrisinin (bitişiklik vs. mesafe, bant genişliği) ve zamansal gecikme penceresinin seçimi sonuçları güçlü bir şekilde etkiler ve evrensel olarak optimal bir seçim kuralı yoktur.
- Hesaplama maliyeti n×T ile ölçeklenir, bu da büyük uzay-zaman ızgaralarını (örn. uydu pikselleri × günlük gözlemler) pahalı hale getirir.
- İstatistik yalnızca doğrusal ilişkiyi tespit eder; doğrusal olmayan veya eşik tabanlı uzay-zaman bağımlılığı gözden kaçırılabilir.
SSS
Uzay-zaman Moran'ın I'ı, her zaman periyodu için ayrı ayrı Moran'ın I'ını çalıştırmaktan nasıl farklıdır?
Periyot bazında Moran'ın I'ını çalıştırmak, her kesiti bağımsız olarak ele alır ve kümelerin zaman içinde kalıcılığını, göçünü veya ortaya çıkışını tespit edemez. Uzay-zaman Moran'ın I'ı, her iki boyutta da yakın gözlemleri eş zamanlı olarak birbirine bağlayan ortak bir ağırlık matrisi kullanır, bu nedenle zaman içinde mekansal bağımlılığın sürekliliğini ve yayılmasını yakalar.
Uzay-zaman mekansal otokorelasyonunu hangi yazılımlar hesaplayabilir?
GeoDa (ücretsiz, GUI tabanlı) uzay-zaman yerel otokorelasyon istatistiklerini uygular. Python kütüphanesi PySAL (esda modülü) ve R paketi spdep, her ikisi de permütasyon çıkarımı ile Moran'ın I'ının uzay-zaman uzantılarını sağlar.
Zamansal gecikmeyi nasıl seçerim?
Gecikme, temel süreci yansıtmalıdır: hastalık yayılımı için bir hafta, ekonomik döngüler için bir yıl. Teori belirsiz olduğunda, istatistiği birden çok gecikmede hesaplayın ve uzay-zaman korelogramını inceleyin, ancak sahte anlamlılığa karşı korunmak için bir Bonferroni düzeltmesi veya FDR ayarlaması uygulayın.
Bu yöntemi düzensiz zaman aralıklarıyla kullanabilir miyim?
Standart uygulamalar, zamansal ağırlık matrisi sabit gecikme pencereleri kullandığı için düzenli (eşit aralıklı) zaman aralıklarını varsayar. Düzensiz aralıklar, özel ağırlık spesifikasyonları veya jeoistatistiksel uzay-zaman kriging gibi sürekli zamanlı mekansal modeller gerektirir.
Mekansal birimlerimin zaman içinde sınırları değiştiyse (örn. nüfus sayım bölgesi yeniden çizimi) ne olur?
Değişen sınırlar, dönemler boyunca sabit bir mekansal ağırlık matrisi varsayımını geçersiz kılar. Ya alan enterpolasyonu kullanarak verileri tutarlı bir coğrafyaya enterpole etmeniz ya da analizi sabit sınırlara sahip dönemlerle sınırlamanız gerekir.
Kaynaklar
- Clifford, P., Richardson, S., & Hemon, D. (1989). Assessing the significance of the correlation between two spatial processes. Biometrics, 45(1), 123–134. DOI: 10.2307/2532039 ↗
- Anselin, L., & Getis, A. (1992). Spatial statistical analysis and geographic information systems. The Annals of Regional Science, 26(1), 19–33. DOI: 10.1007/BF01581478 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Space-Time Spatial Autocorrelation Analysis. ScholarGate. https://scholargate.app/tr/spatial-analysis/space-time-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
- Global Moran's IMekânsal analiz↔ karşılaştır
- Yerel Moran's I (LISA)Mekânsal analiz↔ karşılaştır
- Mekansal Gecikme Modeli (SAR / Mekansal Otokorelatif)Mekânsal analiz↔ karşılaştır
- Mekansal Panel Veri Modeli (Sabit/Rastgele Etkili)Mekânsal analiz↔ karşılaştır