2019年地理加权回归GWR.pptVIP

2012 年 12 月 24 日 基本框架 ? 普通线性回归模型及估计 ? OLS 工作的基本原理 ? 解释 OLS 结果 ? GWR 提出的背景及意义 ? 地理加权回归模型及估计 ? 权函数选择 ? 权函数宽带优化 ? 诊断工具 ? 膀胱癌死亡率实例 OLS 工作的基本原理 ? 在我们国家是否有持续发生年轻人早逝的地方？ ? 哪里为犯罪或火灾的高发地点？ ? 城市中哪里的交通事故发生率比预期的要高？ ? …… 在实际工作中，我们可能会遇到以下类似的问题 911 紧急呼叫数据的 分析结果，显示了 呼叫热点（红色）、 呼叫冷点（蓝色） 以及负责事故处理 的消防和警察分队 的位置（绿色十字） 可以通过热点分析的方法弄清以上问题 对于上面的每一个问题都询问了 “ where” ，但是我们自然 会想到 “ why” 为什么国家会存在持续发生年轻人早逝的地方？是什么导 致了这种情况？ 我们能否对犯罪、 911 呼叫或火灾频发地区的特征进行建模， 以帮助减少这些事件的发生？ 导致交通事故发生率比预期要高的因素有哪些，有没有相 关政策或者措施来减少整个城市或特定事故高发区的交通 事故？ 通过回归分析，我们可以对空间关系进行建模、检查和探究， 还可以解释所观测到的空间模式背后的诸多因素。 例如分析有些地区为什么会持续发生年轻人早逝或者糖尿病 的发病率比预期的要高。 通过空间关系建模，对这些现象进行预测。 例如，对影响大学生毕业率的因素进行建模，可以对近期的 劳动力技能和资源进行预测；因为监测站数量不足而无法进 行充分插值的情况下（沿山脊地区和山谷内，雨量计通常会 短缺），可以用回归法来预测这些地区的降雨量或者是空气 质量。 使用回归分析的主要原因 ? 1. 对某一现象建模，测量一个或多个变量的变化对另一变量变化 的影响程度。 例如，了解某些特定濒危鸟类的主要栖息地特征（降 水，食物源、植被、天敌），以协助通过立法来保护该物种。 ? 2. 对某种现象建模以预测其他地点或其他时间的数值，构建一 个持续准确的预测模型。 例如，如果已知人口增长情况和典型的天 气状况，那么明年的用电量将会是多少？ ? 3. 深入探索某些假设情况。 ? 假设您正在对住宅区的犯罪活动进行建模，以更好的了解犯罪活动并 希望实施可能阻止犯罪活动的策略，开始分析时，就会有很多问题或 想要检验的假设情况： ? 1) .“ 破窗理论”表明公共财产的破坏（涂鸦、被毁坏的建筑物等）可招 致其他犯罪行为，破坏财产行为与入世盗窃之间是否存在正关系？ ? 2). 非法使用毒品与盗窃行为之间存在某种关系吗（吸毒成瘾的人又可 能通过偷取财物来维持他们吸毒的习惯吗）？ OLS 回归方程 ? 1. 遗漏自变量 ：如果模型中丢失了关键的自变量，其系数 和相应的关联 P 值将不可信。通过映射并检查 OLS 残差和 GWR 系数或对回归残差进行热点分析，找出可能缺失的变 量。 ? 2. 非线性关系 ： OLS 和 GWR 都是线性方法，如果任一自变量 与因变量之间的关系存在非线性关系，则获得的模型质量 不佳。通过创建散点图矩阵来了解模型中所有自变量之间 的关系。 ? 3. 数据异常值 ：影响大的异常值可以使模型化的回归关系 背离最佳拟合，从而使回归系数发生偏差。通过创建散点 图来检验数据的极值，如果异常值存在，则进行修正或者 移除。如果异常值正确或者有效则不能将其移除，需要对 有异常值和没有异常值的情况下分别进行回归，查看这两 种情况对结果的影响程度。 回归模型中常见的问题 4. 不稳定性 ：一个输入变量在区域 A 中具有很强的解释能力， 但是在区域 B 中却不显著。如果因变量与自变量之间的关 系在研究区域内不一致，将人为地扩大计算出的标准误差。 用 Koenker 测试关联的概率很小时，区域变化具有统计显 著性。（地理加权回归改进） 5. 多重共线性： 一个自变量或多个自变量的组合冗余。多 重共线性可导致模型不稳定，不可靠。可以通过 OLS 工具 自动检测冗余，每个自变量都被给定一个计算出的 VIF 值， 当这个值很大时，冗余便成了问题，通过创建交互变量或 增大采样间隔从模型中移除冲突变量或对其进行修改。 6. 残差的方差不一致： 对于较小的因变量值，模型的预测效果 较好，但对于较大的因变量值，模型的预测值变得不可靠。 7. 空间自相关残差： 注意模型偏低预计值（红色）出现空间聚 类的方式。残差（模型的偏低预计值和偏高预计值）在统计学 上的显著空间聚类表明模型缺失关键的因变量，可以使用空间 自相关工具来