کلید واژه ها:
رگرسیون وزنی جغرافیایی ; رگرسیون با وزن جغرافیایی منطقه ای ; ناهمگونی گسسته فضایی
۱٫ مقدمه
۲٫ مواد و روشها
۲٫۱٫ رگرسیون وزن جغرافیایی
رگرسیون وزن جغرافیایی بسط رگرسیون خطی معمولی است. برای کاوش ویژگیهای غیر ثابت فضایی، تعبیه موقعیت جغرافیایی در پارامترهای رگرسیون، و اجازه دادن به هر نقطه مجزا در یک مکان متفاوت برای تخمین پارامترهای رگرسیون [ ۹ ] استفاده میشود. مدل را می توان به صورت زیر بیان کرد:
جایی که مختصات نقطه نمونه گیری i- ام است و پارامتر رگرسیون k- امین در نقطه نمونه برداری i است. هنگام تخمین پارامترهای رگرسیون نقطه نمونه i ، اهمیت مشاهدات در نقاط مشاهده مختلف یکسان نیست. هر چه نقطه مشاهده به نقطه i نزدیکتر باشد ، اهمیت بالاتری دارد. هر چه نقطه مشاهده دورتر باشد، اهمیت کمتری دارد. از روش حداقل مربعات وزنی محلی، تخمین پارامتر رگرسیون استفاده کرد در نقطه i با فرمول (۲):
انتخاب تابع هسته فضایی برای تخمین صحیح پارامترها در GWR اهمیت زیادی دارد. تابع هسته فضایی کلی دو نوع است: تابع هسته ثابت و تابع هسته تطبیقی. برای هسته ثابت، فاصله ثابت است، اما تعداد نزدیکترین همسایگان متفاوت است. برای هسته تطبیقی، فاصله متفاوت است اما تعداد همسایگان ثابت می ماند [ ۳۴ ]. رایج ترین هسته یک تابع مبتنی بر واپاشی فاصله گاوسی است. شکل عملکرد آن به شرح زیر است:
جایی که b پهنای باند نامیده می شود که یک پارامتر تضعیف غیر منفی است که با رویکرد اعتبارسنجی متقابل (CV) محاسبه می شود [ ۹ ]. هرچه پهنای باند بزرگتر باشد، وزن با افزایش فاصله کندتر کاهش می یابد و هر چه پهنای باند کمتر باشد، با افزایش فاصله، وزن سریعتر کاهش می یابد.
۲٫۲٫ رگرسیون وزنی منطقه ای و جغرافیایی
RGWR بسط GWR است که برای کشف ناهمگنی فضایی غیر ثابت و گسسته فضایی با افزودن متغیرهای ساختگی منطقه ای به GWR استفاده می شود که موقعیت جغرافیایی را در پارامترهای رگرسیون جاسازی می کند و به هر نقطه مجزا اجازه می دهد مقادیر متفاوتی برای تخمین پارامترهای رگرسیون داشته باشد. عوامل منطقه ای برای هر نقطه رگرسیون مدل را می توان به صورت زیر بیان کرد:
جایی که مختصات نقطه نمونه گیری i- ام است و پارامتر رگرسیون k- امین نقطه نمونهبرداری من است. در تخمین پارامترهای رگرسیون نقطه نمونه i ، عوامل منطقه ای بر اساس GWR اضافه می شوند “هر چه نقطه مشاهده به نقطه i نزدیکتر باشد ، اهمیت بالاتری دارد و بالعکس [ ۹ ]”، به طوری که وقتی نقطه مشاهده خارج از محدوده منطقه ای است، نقطه در رگرسیون شرکت نمی کند. با استفاده از روش حداقل مربعات وزنی محلی، پارامتر رگرسیون برآورد می شود در نقطه i با معادله (۵) به دست می آید:
۲٫۲٫۱٫ محاسبه تابع هسته فضایی
عملکرد RGWR هسته گاوس به صورت زیر است:
جایی که b پهنای باند است، فاصله بین نقطه i و نقطه j و است متغیر ساختگی معرفی شده است: عامل نفوذ منطقه ای. وقتی i و j در یک منطقه قرار دارند، ، که GWR سنتی است. وقتی i و j در مناطق مختلف قرار دارند، ، که به این معنی است = ۰ که RGWR است.
علاوه بر این، تابع هسته دو مربع نیز یک روش معمول محاسبه وزن برای GWR است. RGWR تابع هسته دو مربعی به صورت زیر داده می شود:
۲٫۲٫۲٫ انتخاب پهنای باند
انتخاب پهنای باند از معیار اطلاعات Akaike، تصحیح شده (AICc) [ ۹ ] استفاده می کند. پهنای باند بهینه از طریق آزمایشها انتخاب میشود: در هر آزمایش، یک پهنای باند انتخاب میشود، RGWR با استفاده از پهنای باند برازش میشود، و سپس معیار خوبی مانند AICc محاسبه میشود، که در آن AICc توسط:
جایی که انحراف استاندارد تخمینی عبارت خطا و رد ماتریس کلاه S است. پهنای باند بهینه آن چیزی است که AICc را به حداقل می رساند.
۲٫۲٫۳٫ فرآیند الگوریتم
- ۱٫
-
مقداردهی اولیه داده ها محدوده مقادیر پهنای باند را تنظیم کنید.
- ۲٫
-
مراحل ۳-۷ را برای هر پهنای باند انجام دهید. در پایان مرحله ۸ را انجام دهید.
- ۳٫
-
مدل GWR را با استفاده از متغیرهای مستقل، متغیرهای وابسته، متغیرهای مکان مکانی و پهنای باند بسازید.
- ۴٫
-
یک تابع هسته فضایی برای هر مشاهده با استفاده از متغیرهای مکان مکانی و پهنای باند بسازید.
- ۵٫
-
ماتریس وزن فضایی را برای هر نقطه مشاهده محاسبه کنید.
- ۶٫
-
ماتریس کلاه را با استفاده از متغیرهای مستقل، متغیرهای وابسته و ماتریس وزن فضایی محاسبه کنید.
- ۷٫
-
مقادیر AICc مدل های مربوط به این مجموعه از پهنای باند را محاسبه کنید.
- ۸٫
-
پارامترهای مدل مربوط به حداقل مقدار AICc که پهنای باند بهینه است را انتخاب کنید.
- ۹٫
-
مدل RGWR را با استفاده از متغیرهای مستقل، متغیرهای وابسته، متغیرهای مکان مکانی و پهنای باند بهینه بسازید.
- ۱۰٫
-
با استفاده از متغیرهای موقعیت مکانی، پهنای باند و عوامل منطقه ای، یک تابع هسته فضایی با وزن جغرافیایی منطقه ای بسازید.
- ۱۱٫
-
ماتریس وزن فضایی دارای وزن منطقه ای را برای هر مشاهده محاسبه کنید.
- ۱۲٫
-
ضرایب رگرسیون مدل، مقادیر برازش و معیارهای ارزیابی را با استفاده از متغیرهای مستقل، متغیرهای وابسته و ماتریس وزن فضایی محاسبه کنید.
۳٫ تجزیه و تحلیل آزمایش
۳٫۱٫ حوزه و داده های مطالعه
۳٫۲٫ پیش پردازش داده ها
۳٫۳٫ مقایسه مدل های RGWR و GWR
۳٫۳٫۱٫ تنظیم پارامتر
۳٫۳٫۲٫ مقایسه عملکرد مدل
۳٫۳٫۳٫ مقایسه اثرات برازش مدل
۳٫۴٫ تحلیل قیمت مسکن تجاری در ووهان و عوامل تاثیرگذار آن
۳٫۴٫۱٫ تحلیل قیمت مسکن تجاری در ووهان
۳٫۴٫۲٫ عوامل تأثیرگذار
۴٫ بحث
۴٫۱٫ عملکرد مدل در کاوش ناهمگونی مکانی-زمانی
۴٫۲٫ تاثیر بر پهنای باند تطبیقی و ثابت
۴٫۳٫ توزیع فضایی و ناهمگونی گسسته قیمت مسکن تجاری در ووهان
۵٫ نتیجه گیری ها
منابع
- Fotheringham، AS; Brunsdon، C. اشکال محلی تحلیل فضایی. Geogr. مقعدی ۱۹۹۹ ، ۳۱ ، ۳۴۰-۳۵۸٫ [ Google Scholar ] [ CrossRef ]
- Casetti, E. تولید مدلها با روش بسط: کاربردها در تحقیقات جغرافیایی. Geogr. مقعدی ۱۹۷۲ ، ۴ ، ۸۱-۹۱٫ [ Google Scholar ] [ CrossRef ]
- جونز، ک. تعیین و برآورد مدل های چند سطحی برای تحقیقات جغرافیایی. ترانس. Inst. برادر Geogr. ۱۹۹۱ ، ۱۶ ، ۱۴۸-۱۵۹٫ [ Google Scholar ] [ CrossRef ]
- مک میلن، DP یکصد و پنجاه سال ارزش زمین در شیکاگو: یک رویکرد ناپارامتریک. J. شهری اقتصاد. ۱۹۹۶ ، ۴۰ ، ۱۰۰-۱۲۴٫ [ Google Scholar ] [ CrossRef ]
- مک میلن، DP; مکدونالد، جی اف تحلیل ناپارامتریک تراکم اشتغال در یک شهر چند مرکزی. J. Reg. علمی ۱۹۹۷ ، ۳۷ ، ۵۹۱-۶۱۲٫ [ Google Scholar ] [ CrossRef ]
- Elhorst، JP مشخصات و تخمین مدل های داده پانل فضایی. بین المللی Reg. علمی Rev. ۲۰۰۳ , ۲۶ , ۲۴۴-۲۶۸٫ [ Google Scholar ] [ CrossRef ]
- براندون، سی. Fotheringham، AS; چارلتون، ME رگرسیون وزندار جغرافیایی: روشی برای کاوش غیرایستایی فضایی. Geogr. مقعدی ۱۹۹۶ ، ۲۸ ، ۲۸۱-۲۹۸٫ [ Google Scholar ] [ CrossRef ]
- فاثرینگهام، اس. چارلتون، ام. براندون، سی. جغرافیای پارامتر فضای: بررسی عدم ایستایی فضایی. بین المللی جی. جئوگر. Inf. سیستم ۱۹۹۶ ، ۱۰ ، ۶۰۵-۶۲۷٫ [ Google Scholar ] [ CrossRef ]
- براندون، سی. فاثرینگهام، اس. چارلتون، ام. رگرسیون وزنی جغرافیایی. JR Stat. Soc. سر. آمار D ۱۹۹۸ ، ۴۷ ، ۴۳۱-۴۴۳٫ [ Google Scholar ] [ CrossRef ]
- Tobler, WR یک فیلم کامپیوتری شبیه سازی رشد شهری در منطقه دیترویت. اقتصاد Geogr. ۱۹۷۰ ، ۴۶ ، ۲۳۴-۲۴۰٫ [ Google Scholar ] [ CrossRef ]
- لو، بی. چارلتون، ام. هریس، پی. Fotheringham، AS رگرسیون وزنی جغرافیایی با متریک فاصله غیر اقلیدسی: مطالعه موردی با استفاده از داده های قیمت خانه لذت بخش. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۴ ، ۲۸ ، ۶۶۰-۶۸۱٫ [ Google Scholar ] [ CrossRef ]
- لو، بی. چارلتون، ام. براندون، سی. هریس، پی. رویکرد مینکوفسکی برای انتخاب متریک فاصله در رگرسیون وزندار جغرافیایی. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۶ ، ۳۰ ، ۳۵۱-۳۶۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- Lesage، JP خانواده ای از مدل های رگرسیون وزن دار جغرافیایی. در پیشرفت در اقتصاد سنجی فضایی ; Springer: برلین/هایدلبرگ، آلمان، ۲۰۰۴; ص ۲۴۱-۲۶۴٫ [ Google Scholar ]
- هریس، پی. Fotheringham، AS; Juggins، S. رگرسیون وزنی جغرافیایی قوی: تکنیکی برای کمی کردن روابط فضایی بین بارهای حیاتی اسیدی شدن آب شیرین و ویژگی های حوضه. ان دانشیار صبح. Geogr. ۲۰۱۰ ، ۱۰۰ ، ۲۸۶-۳۰۶٫ [ Google Scholar ] [ CrossRef ]
- وانگ، ن. می، سی. Yan, X. برآورد خطی محلی مدلهای ضریب متغیر فضایی: بهبود تکنیک رگرسیون وزندار جغرافیایی. محیط زیست طرح. A ۲۰۰۸ , ۴۰ , ۹۸۶-۱۰۰۵٫ [ Google Scholar ] [ CrossRef ]
- یانگ یانگ، ز. جیپینگ، ال. Shenghua، X. فوهائو، ز. یی، ی. روش رگرسیون وزنی جغرافیایی بر اساس یادگیری نیمه نظارت شده. Acta Geod. کارتوگر. گناه ۲۰۱۷ ، ۴۶ ، ۱۲۳٫ [ Google Scholar ]
- لو، بی. Ge، Y. Qin، K. ژنگ، جی. مروری بر رگرسیون وزندار جغرافیایی. Geomat. Inf. علمی دانشگاه ووهان ۲۰۲۰ ، ۴۵ ، ۱۳۵۶-۱۳۶۶٫ [ Google Scholar ]
- لی، دی. می، سی. وانگ، ن. آزمونهای وابستگی فضایی و ناهمگنی در مدلهای ضریب متغیر خودرگرسیون فضایی با کاربرد آنالیز قیمت خانه بوستون. Reg. علمی اقتصاد شهری ۲۰۱۹ ، ۷۹ ، ۱۰۳۴۷۰٫ [ Google Scholar ] [ CrossRef ]
- Anselin, L. سی سال اقتصاد سنجی فضایی. پاپ Reg. علمی ۲۰۱۰ ، ۸۹ ، ۳-۲۵٫ [ Google Scholar ] [ CrossRef ]
- Casetti، E. روش بسط، مدل سازی ریاضی، و اقتصاد سنجی فضایی. بین المللی Reg. علمی Rev. ۱۹۹۷ , ۲۰ , ۹-۳۳٫ [ Google Scholar ] [ CrossRef ]
- Anselin، L. وابستگی فضایی و ناپایداری ساختاری فضایی در تحلیل رگرسیون کاربردی. J. Reg. علمی ۱۹۹۰ ، ۳۰ ، ۱۸۵-۲۰۷٫ [ Google Scholar ] [ CrossRef ]
- وانگ، جی. ژانگ، تی. فو، ب. اندازه گیری ناهمگنی طبقه بندی شده فضایی. Ecol. اندیک. ۲۰۱۶ ، ۶۷ ، ۲۵۰-۲۵۶٫ [ Google Scholar ] [ CrossRef ]
- ژونگ، QW نظریههای پایه و تحقیقات کاربردی در مورد رگرسیون وزندار جغرافیایی. Ph.D. پایان نامه، دانشگاه تونگجی، شانگای، چین، ۲۰۰۷٫ [ Google Scholar ]
- هریس، آر. دونگ، جی. ژانگ، دبلیو. با استفاده از رگرسیون R دارای وزن جغرافیایی متنی برای مدل سازی ناهمگونی فضایی قیمت زمین در پکن، چین. ترانس. GIS ۲۰۱۳ ، ۱۷ ، ۹۰۱-۹۱۹٫ [ Google Scholar ] [ CrossRef ]
- Paez, RMHA تحلیل آماری کاربردی داده های جغرافیایی تفصیلی با تاکید بر اثرات فضایی. Ph.D. پایان نامه، دانشگاه توهوکو، سندای، ژاپن، ۲۰۰۰٫ [ Google Scholar ]
- ون، اچ. جین، ی. ژانگ، L. ناهمگونی فضایی در قیمت های ضمنی مسکن: شواهدی از هانگژو، چین. بین المللی جی. استراتژی. پروپ. ۲۰۱۷ ، ۲۱ ، ۱۵-۲۸٫ [ Google Scholar ] [ CrossRef ]
- Dai, J. Dummy Variable Regression و کاربرد آن. آمار تصمیم می گیرد. ۲۰۱۹ ، ۳۵ ، ۷۷–۸۰٫ [ Google Scholar ]
- لنکستر، کی جی رویکردی جدید به نظریه مصرف کننده. ج. اقتصاد سیاسی. ۱۹۶۶ ، ۷۴ ، ۱۳۲-۱۵۷٫ [ Google Scholar ] [ CrossRef ]
- روزن، اس. قیمت لذتبخش و بازارهای ضمنی: تمایز محصول در رقابت خالص. ج. اقتصاد سیاسی. ۱۹۷۴ ، ۸۲ ، ۳۴-۵۵٫ [ Google Scholar ] [ CrossRef ]
- پائز، آ. لانگ، اف. فاربر، اس. رویکردهای پنجره متحرک برای تخمین قیمت لذتگرا: مقایسه تجربی تکنیکهای مدلسازی. مطالعه شهری. ۲۰۰۸ ، ۴۵ ، ۱۵۶۵-۱۵۸۱٫ [ Google Scholar ] [ CrossRef ]
- شن، ی. کریمی، ک. ارزش اقتصادی خیابان ها: تعامل فضایی-عملکردی ترکیبی و الگوهای قیمت مسکن. Appl. Geogr. ۲۰۱۷ ، ۷۹ ، ۱۸۷-۲۰۲٫ [ Google Scholar ] [ CrossRef ]
- دوان، جی. تیان، جی. یانگ، ال. ژو، تی. پرداختن به عوامل تعیین کننده اقتصاد کلان و لذت جویانه قیمت مسکن در منطقه شهری پکن، چین. Habitat Int. ۲۰۲۱ , ۱۱۳ , ۱۰۲۳۷۴٫ [ Google Scholar ] [ CrossRef ]
- هوانگ، ز. چن، آر. خو، دی. ژو، دبلیو. تحلیل فضایی و لذت جویانه قیمت مسکن در شانگهای. Habitat Int. ۲۰۱۷ ، ۶۷ ، ۶۹-۷۸٫ [ Google Scholar ] [ CrossRef ]
- هوانگ، بی. وو، بی. Barry, M. رگرسیون وزندار جغرافیایی و زمانی برای مدلسازی تغییرات مکانی-زمانی قیمت مسکن. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۰ ، ۲۴ ، ۳۸۳-۴۰۱٫ [ Google Scholar ] [ CrossRef ]
- لیو، جی. یانگ، ی. خو، اس. ژائو، ی. وانگ، ی. Zhang، F. یک رویکرد رگرسیون وزنی جغرافیایی با فاصله سفر برای تخمین قیمت مسکن. Entropy ۲۰۱۶ , ۱۸ , ۳۰۳٫ [ Google Scholar ] [ CrossRef ]
- لیو، جی. ژائو، ی. یانگ، ی. خو، اس. ژانگ، اف. ژانگ، ایکس. شی، ال. Qiu، A. یک رگرسیون ترکیبی وزندار جغرافیایی و زمانی: بررسی تغییرات مکانی-زمانی از دیدگاههای جهانی و محلی. Entropy ۲۰۱۷ ، ۱۹ ، ۵۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- وو، سی. رن، اف. هو، دبلیو. Du، Q. رگرسیون وزندار جغرافیایی و زمانی چند مقیاسی: بررسی عوامل تعیینکننده مکانی-زمانی قیمت مسکن. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۹ ، ۳۳ ، ۴۸۹-۵۱۱٫ [ Google Scholar ] [ CrossRef ]
- یائو، جی. استوارت فاثرینگهام، الف. مدلسازی مکانی-زمانی محلی قیمت خانه: یک رویکرد مدل ترکیبی. پروفسور Geogr. ۲۰۱۶ ، ۶۸ ، ۱۸۹-۲۰۱٫ [ Google Scholar ] [ CrossRef ]
- ون، اچ. شیائو، ی. هوی، ECM؛ Zhang، L. کیفیت آموزش، دسترسی، و قیمت مسکن: آیا ناهمگونی فضایی در سرمایه گذاری آموزش وجود دارد؟ Habitat Int. ۲۰۱۸ ، ۷۸ ، ۶۸-۸۲٫ [ Google Scholar ] [ CrossRef ]
- اداره آموزش و پرورش قیمت خانه و مدارس: آیا خانه های نزدیک به مدارس با عملکرد بیشتر هزینه بیشتری دارند؟ در دسترس آنلاین: https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/600623/House_prices_and_schools.pdf (در ۱۱ دسامبر ۲۰۲۱ قابل دسترسی است).
- سولار، PM تولید ناخالص داخلی چین: برخی اصلاحات و راه رو به جلو. جی. اکون. تاریخچه ۲۰۲۱ ، ۸۱ ، ۹۴۳-۹۵۷٫ [ Google Scholar ] [ CrossRef ]
- هارتن، جی جی. کیم، AM; Brazier، JC داده های واقعی و جعلی در بازار مسکن اجاره ای غیررسمی شانگهای: داده های واقعی که از اینترنت استخراج شده است. مطالعه شهری. ۲۰۲۱ ، ۵۸ ، ۱۸۳۱-۱۸۴۵٫ [ Google Scholar ] [ CrossRef ]
- الم، ج. لای، دبلیو. لی، ایکس. مقررات بازار مسکن و تمایل به طلاق استراتژیک در چین. جی پوپول. اقتصاد ۲۰۲۱ . [ Google Scholar ] [ CrossRef ]
- اشنایدر، آ. Woodcock، CE فشرده، پراکنده، تکه تکه، گسترده؟ مقایسه رشد شهری در بیست و پنج شهر جهانی با استفاده از داده های سنجش از دور، معیارهای الگو و اطلاعات سرشماری مطالعه شهری. ۲۰۰۸ ، ۴۵ ، ۶۵۹-۶۹۲٫ [ Google Scholar ] [ CrossRef ]
- گونگ، پی. لیانگ، اس. کارلتون، ای جی; جیانگ، کیو. وو، جی. وانگ، ال. Remais، JV شهرسازی و سلامت در چین. Lancet ۲۰۱۲ ، ۳۷۹ ، ۸۴۳-۸۵۲٫ [ Google Scholar ] [ CrossRef ]
- دانسکی، آر.ام. Follain، JR; Giertz، SH Pricing ریسک اعتباری برای وام مسکن: گسترش ریسک اعتباری و ناهمگونی در بازارهای مسکن. اقتصاد املاک و مستغلات. ۲۰۲۱ ، ۴۹ ، ۹۹۷-۱۰۳۲٫ [ Google Scholar ] [ CrossRef ]
- استاکهامر، ای. Bengtsson، E. اثرات مالی در مصرف تاریخی و توابع سرمایه گذاری. بین المللی Rev. Appl. اقتصاد ۲۰۲۰ ، ۳۴ ، ۳۰۴-۳۲۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- Qu، Y. جیانگ، جی. لی، ز. شانگ، آر. ژو، دی. درک ویژگی های مورفولوژیکی چند بعدی زمین بیکار شهری: مرحله، موضوع، و ناهمگونی فضایی. Cities ۲۰۲۰ , ۹۷ , ۱۰۲۴۹۲٫ [ Google Scholar ] [ CrossRef ]
- کابراس، آی. سونز، اف. کاندولا، جی. تامز، اس. خانه های عمومی و قیمت خانه در بریتانیای کبیر: تحلیل پانل. یورو طرح. گل میخ. ۲۰۲۱ ، ۲۹ ، ۱۶۳-۱۸۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- سلیم، H. عوامل تعیین کننده قیمت خانه در ترکیه: رگرسیون لذت در مقابل شبکه عصبی مصنوعی. سیستم خبره Appl. ۲۰۰۹ ، ۳۶ ، ۲۸۴۳-۲۸۵۲٫ [ Google Scholar ] [ CrossRef ]
- Redfearn, CL اثرات متوسط چقدر آموزنده است؟ رگرسیون لذتگرا و سرمایهگذاری رفاهی در بازارهای مسکن شهری پیچیده Reg. علمی اقتصاد شهری ۲۰۰۹ ، ۳۹ ، ۲۹۷-۳۰۶٫ [ Google Scholar ] [ CrossRef ]
- سلیم، س. عوامل تعیین کننده قیمت مسکن در ترکیه: یک مدل رگرسیون لذتگرا. Doğuş Üniv. Derg. ۲۰۱۱ ، ۹ ، ۶۵-۷۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- فاربر، اس. ییتس، ام. مقایسه مدلهای رگرسیون محلی در زمینه قیمت خانه لذتبخش. می توان. J. Reg. علمی ۲۰۰۶ ، ۲۹ ، ۴۰۵-۴۲۰٫ [ Google Scholar ]
- پترسون، اس. Flanagan، A. مدلهای قیمتگذاری لذتگرایانه شبکه عصبی در ارزیابی انبوه املاک و مستغلات. J. Real Estate Res. ۲۰۰۹ ، ۳۱ ، ۱۴۷-۱۶۴٫ [ Google Scholar ] [ CrossRef ]
- یانگ، ی. لیو، جی. خو، اس. ژائو، ی. یک رویکرد رگرسیون نیمه نظارت شده گسترده با آموزش مشترک و رگرسیون وزنی جغرافیایی: مطالعه موردی قیمت مسکن در پکن. ISPRS Int. J. Geo-Inf. ۲۰۱۶ ، ۵ ، ۴٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- میان، ع. صوفی، الف. قیمت مسکن، استقراض مبتنی بر سهام خانه، و بحران اهرمی خانوار ایالات متحده. صبح. اقتصاد Rev. ۲۰۱۱ , ۱۰۱ , ۲۱۳۲-۲۱۵۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- لیسی، جی. مدلهای قیمتگذاری لذتگرا و نوسانات باقیمانده قیمت مسکن. Lett. تف کردن منبع. علمی ۲۰۱۹ ، ۱۲ ، ۱۳۳-۱۴۲٫ [ Google Scholar ] [ CrossRef ]
- D’Acci, L. کیفیت منطقه شهری، فاصله از مرکز شهر و ارزش مسکن. مطالعه موردی در مورد ارزش املاک و مستغلات در تورین. شهرها ۲۰۱۹ ، ۹۱ ، ۷۱–۹۲٫ [ Google Scholar ] [ CrossRef ]
- شپرد، اس. تجزیه و تحلیل لذت بخش از بازار مسکن. هندب Reg. اقتصاد شهری ۱۹۹۹ ، ۳ ، ۱۵۹۵-۱۶۳۵٫ [ Google Scholar ]
- لین، ی. وانگ، ال. لیو، ی. گونگ، ی. Xu, J. الگوی توزیع قیمت مسکن شهری بر اساس داده های بزرگ چندگانه: مطالعه موردی پکن، شانگهای، گوانگژو، و ووهان. J. Landsc. Res. ۲۰۲۱ ، ۱۳ ، ۵۷-۶۶٫ [ Google Scholar ]
- سئو، دبلیو. نام، هنگ کنگ رابطه مبادله بین دسترسی به حمل و نقل عمومی و اقتصاد خانوار: تجزیه و تحلیل مقادیر دسترسی به مترو بر اساس اندازه مسکن. شهرها ۲۰۱۹ ، ۸۷ ، ۲۴۷–۲۵۸٫ [ Google Scholar ] [ CrossRef ]
- یوان، اف. وو، جی. وی، وای. وانگ، ال. تغییر سیاست، امکانات رفاهی، و پویایی مکانی و زمانی قیمت مسکن در نانجینگ، چین. سیاست کاربری زمین ۲۰۱۸ ، ۷۵ ، ۲۲۵-۲۳۶٫ [ Google Scholar ] [ CrossRef ]
- ون، اچ. شیائو، ی. Hui، ECM اثر کمی تسهیلات آموزشی بر قیمت مسکن: آیا خریداران مسکن با قیمت بالاتر برای منابع آموزشی هزینه بیشتری می پردازند؟ شهرها ۲۰۱۹ ، ۹۰ ، ۱۰۰–۱۱۲٫ [ Google Scholar ] [ CrossRef ]
- لیو، ال. یو، اچ. ژائو، جی. وو، اچ. پنگ، ز. وانگ، آر. اثرات چند مقیاسی دسترسی به تسهیلات عمومی چندوجهی بر قیمت مسکن بر اساس MGWR: مطالعه موردی ووهان، چین. ISPRS Int. J. Geo-Inf. ۲۰۲۲ ، ۱۱ ، ۵۷٫ [ Google Scholar ] [ CrossRef ]
- پل، جی دی. رابرتز، جی جی. White, N. چشم انداز آفریقا از طریق فضا و زمان. تکتونیک ۲۰۱۴ ، ۳۳ ، ۸۹۸-۹۳۵٫ [ Google Scholar ] [ CrossRef ]
- براندون، سی. کورکوران، جی. هیگز، جی. تجسم فضا و زمان در الگوهای جرم: مقایسه روشها. محاسبه کنید. محیط زیست سیستم شهری ۲۰۰۷ ، ۳۱ ، ۵۲-۷۵٫ [ Google Scholar ] [ CrossRef ]
- او، س. Huang، B. نقشه برداری ماهواره ای از PM2.5 زمینی با وضوح بالا روزانه در چین از طریق مدل سازی رگرسیون فضا-زمان. سنسور از راه دور محیط. ۲۰۱۸ ، ۲۰۶ ، ۷۲-۸۳٫ [ Google Scholar ] [ CrossRef ]
بدون دیدگاه