رگرسیون وزن جغرافیایی
| کادر ۵-۱۰- GWR در ArcGIS |
| کاربردی |
| برای پیروی از این مثال، ArcMap را راه اندازی کنید و شکل فایلgauges را از مسیر زیر بارگیری کنید. |
| C:\Databases\GIS4EnvSci\VirtualCatchment\Shapefiles\. |
| در این مثال شما قرار است روابط بین میانگین دمای سالانه (متغیر وابسته)، ارتفاع و جنبه (متغیرهای مستقل) را با استفاده از GWR بررسی کنید. |
| ۱) ArcToolBox را باز کنید. به ابزار آمار مکانی > Modeling Spatial Relationships بروید و روی Geographically Weighted Regression دوبار کلیک کنید. |
| ۲) در کادر محاوره ای Geographically Weighted Regression : |
| الف) gauges را به عنوان کلاس ویژگی ورودی انتخاب کنید. |
| ب) temp را به عنوان متغیر وابسته انتخاب کنید. |
| ج) ارتفاع و جنبه را به عنوان متغیرهای توضیحی (مستقل) انتخاب کنید. |
| د) به دایرکتوری خروجی خود بروید و نام کلاس ویژگی خروجی را وارد کنید. |
| ه) ADAPTIVE را به عنوان نوع هسته انتخاب کنید – یعنی برای استفاده از یک هسته تطبیقی. |
| و) AICc را به عنوان روش پهنای باند انتخاب کنید – یعنی به طور خودکار با به حداقل رساندن مقدار AICc پهنای باند بهینه را پیدا کنید. |
| ز) روی OK کلیک کنید. صبر کنید تا فرآیند کامل شود. کلاس ویژگی خروجی ایجاد می‌شود و به نمای داده اضافه می‌شود، که به عنوان یک نقشه باقی مانده نشان داده می‌شود. ابزار GWR همچنین یک جدول DBF ایجاد می‌کند که حاوی آمار تشخیصی است. جدول DBF به فهرست مطالب اضافه می‌شود که نام آن کلاس ویژگی خروجی با پسوند _supp است. شکل ۵-۲۱ جدول تشخیصی تولید شده توسط رگرسیون GWR را نشان می‌دهد. |
تفسیر |
| به یاد بیاورید که پهنای باند GWR برای یک هسته تطبیقی با به حداقل رساندن AICc تخمین زده شده است. همانطور که در جدول تشخیصی GWR در شکل ۵-۲۱ نشان داده شده است، بیست و پنج همسایه نزدیک در تخمین هر مجموعه از ضرایب استفاده شده است. اجازه دهید برازش مدل‌های GWR و رگرسیون چندگانه را با مقایسه آمارهای تشخیصی در شکل‌های ۵-۲۰ b و ۵-۲۱ مقایسه کنیم. |
شکل ۵-۲۱ جدول تشخیص خروجی GWR
| تنظیم شده برای GWR مقدار ۹۷۹۷/۰ است، در حالی که تنظیم شده برای رگرسیون چندگانه ۹۵۹۷/۰ است – یک بهبود ۲ درصدی در عملکرد مدل برای GWR. AICc برای GWR مقدار ۹۷/۵۷ و برای رگرسیون چندگانه ۱۸/۷۱ است. به عنوان قاعده کلی، اگر تفاوت AICc بین دو مدل رگرسیون بزرگتر از ده باشد، شواهد کمی در حمایت از مدل با AICc بزرگتر وجود دارد (بورنهام و هندرسون، ۲۰۰۲). بنابراین تفاوت ۲۱/۱۳ در AICc در مورد ما نشان می‌دهد که GWR نسبت به رگرسیون چندگانه بهبود قابل توجهی در برازش مدل با داده‌ها دارد. |
| جدول صفات ویژگی مرتبط با کلاس ویژگی خروجی شامل تخمین‌های ضریب، خطاهای استاندارد آنها و طیف وسیعی از آمارهای تشخیصی است، همانطور که در شکل ۵-۲۲ نشان داده شده است GWR معادله رگرسیون خطی را در هر نقطه نمونه برازش می‌دهد. شماره شرط موجود در جدول برای ارزیابی وجود چند خطی محلی استفاده می‌شود. یک شرط شماره ۳۰ نشان می‌دهد که مدل رگرسیون در آن نقطه نمونه به دلیل وجود چند خطی قوی محلی قابل اعتماد نیست. نتایج ما نشان می‌دهد که همه مدل‌های رگرسیون برازش شده در نقاط نمونه قابل اعتماد هستند. خطاهای استاندارد ضریب قابلیت اطمینان هر تخمین ضریب را اندازه گیری می‌کند. هنگامی که خطاهای استاندارد نسبت به مقادیر ضریب واقعی کوچک باشند، اعتماد به آن برآوردها بیشتر است. خطاهای استاندارد بزرگ ممکن است ناشی از چند خطی بودن محلی باشد. برخلاف رگرسیون چندگانه معمولی، GWR آزمایش نمی‌کند که آیا ضرایب با صفر در استفاده از آزمون متفاوت هستند یا خیر. هیچ آزمایش مهمی در شکل فعلی GWR وجود ندارد. در نتیجه، GWR باید برای داده‌های نمونه با حجم نمونه بزرگ (چند صدها مشاهده) برای بهترین نتایج اعمال شود. برای نمونه‌های کوچک مناسب نیست. |
بدون دیدگاه