189. Çok ölçekli coğrafi ağırlıklı regresyon (MGWR)
Şablon kimliği: mgwr · Kategori: uzamsal · Dil: R · Dosya: pro/sablonlar/uzamsal/mgwr.R (satır 1–280; üstbilgi 1–114) · Örnek veri: _ornek/georgia.csv · Paketler: GWmodel 2.4-1, sp 2.2-3 (R 4.5.3)
189.1 Ne işe yarar
Bir bağıntının (örneğin yabancı doğumlu nüfus oranı ile üniversite mezunu oranı arasındaki bağıntı) mekâna göre değişip değişmediğini sorar. Küresel doğrusal regresyon tek bir eğim kestirir. Coğrafi ağırlıklı regresyon (GWR) her konum için o konuma yakın gözlemlerle ayrı bir eğim kestirir. MGWR bir adım daha gider: kesişim ve her yordayıcı kendi uzamsal ölçeğinde değişir (Fotheringham, Yang ve Kang, 2017). Bazı süreçler bölgesel (küçük bant genişliği), bazıları ülke çapında (büyük bant genişliği) işler; tek bant genişlikli GWR hepsini aynı ölçeğe zorlar.
Bu ifadede y_i i. gözlemin (ilçenin) bağımlı değişkeni, (u_i,v_i) konumu, x_{ij} j. yordayıcı, \beta_j(u_i,v_i) o konumdaki yerel katsayı, \varepsilon_i bağımsız normal hatadır. Her \beta_j yüzeyi kendi bant genişliği b_j ile düzgünleştirilir.
Ne zaman kullanılır?
- İlişkinin mekânsal olarak değişmesinden kuşkulanılıyorsa ve değişimin ölçeğinin yordayıcılar arasında farklı olması bekleniyorsa (kentsel/bölgesel/ulusal süreçler).
- Gözlem sayısı yaklaşık 100 ile 800 arasındaysa: çıkarımı tam hesaplanan aralık budur (189.2).
- Küresel modelin artıklarında uzamsal özilinti ve katsayı kararsızlığı görülüyorsa.
Ne zaman kullanılmaz?
- Uzamsal bağımlılık katsayıları değil hata terimini ya da yanıtı ilgilendiriyorsa: uzamsal gecikme/hata modelleri için
sac_slx_gns(Bölüm 191). - Çıktı olarak bir yüzey (kestirim haritası, ızgara üzerinde) isteniyorsa:
es_kriging(Bölüm 187) ya dakosullu_benzetim(Bölüm 188). - Tek bant genişlikli GWR yeterliyse: temel programdaki GWR (Leung testleri ve yerel çoklu doğrusallık tanılarıyla). n>800 ise ve çıkarım (SH, anlamlılık) gerekiyorsa şablon uygun değildir: bu durumda yalnız kestirimler verilir (189.2).
- Gözlem sayısı küçükse (n<\max(30{,}5p)): şablon durur.
- Gözlemler kümelenmiş (hiyerarşik) ise ve uzamsal korelasyon hata yapısı olarak modellenecekse:
lme_uzamsal_korelasyon(Bölüm 22).
Temel programla ilişki. Temel programda tek bant genişlikli GWR vardır (Spatial_GWR; en küçük AICc ile bant genişliği, sabit ya da uyarlamalı, beş çekirdek, OLS kıyası, Leung F testleri, yerel çoklu doğrusallık, artıklarda Moran I). Bu şablon, her terime ayrı bant genişliği vermesi ve terim başına etkin parametre sayısı ile düzeltilmiş t sınırı sunması bakımından farklıdır; temel programdaki GWR'nin Leung testleri ve yerel çoklu doğrusallık tanıları bu şablonda yoktur.
189.2 Şablonun girdileri
Form, üstbilgideki 15 [[param]] bloğundan kurulur (mgwr.R:11–113). Türlerin ve ortak denetimin anlamı Bölüm 1.2'de anlatılmıştır.
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Bağımlı değişken · y |
sayısal sütun · Değişkenler | yok | sayısal sütun | y (123). |
Yordayıcılar · x |
sütunlar, sayısal, en az 1 · Değişkenler | yok | sayısal sütunlar | x_1,\dots,x_{p-1} (121). |
X koordinatı (ya da boylam) · koord_x |
sayısal sütun · Değişkenler | yok | sayısal sütun | Konum (119). |
Y koordinatı (ya da enlem) · koord_y |
sayısal sütun · Değişkenler | yok | \ne koord_x |
Konum (119–120). |
Koordinatlar enlem/boylam · enlem_boylam |
onay · Değişkenler | kapalı | açık/kapalı | longlat (136; 164, 169, 181). |
Değişkenleri standartlaştır · standartlastir |
onay · Seçenekler | açık | açık/kapalı | n bölenli standartlaştırma (132–135). |
Çekirdek · cekirdek |
seçim · Model | bisquare |
bisquare, gaussian, tricube, boxcar, exponential |
Ağırlık işlevi (173, 177, 195). |
Uyarlamalı bant genişliği · uyarlamali |
onay · Model | açık | açık/kapalı | Bant genişliği = en yakın komşu sayısı (137). |
Sabit bant genişlikleri · bantlar |
metin, zorunlu değil · Model | boş | p pozitif sayı; virgül ya da noktalı virgül ayraçlı (; varsa virgül ondalıktır) |
Doluysa seçim yapılmaz (140–154, 181). |
Bant genişliği seçim ölçütü · bant_olcutu |
seçim · Model | AICc |
AICc, AIC, CV |
approach (172–177). |
Geri uydurma yakınsama ölçütü · yakinsama_olcutu |
seçim · Gelişmiş | dCVR |
dCVR, CVR |
criterion (177). |
Geri uydurma en çok yineleme · en_cok_yineleme |
tamsayı · Gelişmiş | 500 | 10–100000 | max.iterations (178). |
Geri uydurma yakınsama eşiği · esik |
ondalık · Gelişmiş | 10^{-8} | 10^{-14}–0,01 | threshold (179). |
Uyarlamalı bantta en az komşu · en_az_komsu |
tamsayı · Gelişmiş | 10 | 2–10000 | nlower (179). |
Yerel anlamlılık düzeyi · alfa |
ondalık · Seçenekler | 0,05 | 0,001–0,2 | \alpha/\mathrm{ENP}_j düzeltmesi (228–229). |
Şablona özgü denetimler (mq_hata ve notlar), sırasıyla:
- Veri açık değil (118).
koord_xilekoord_yaynı sütun: "X ve Y koordinatları farklı sütunlar olmalı." (120). - Yordayıcı listesinden yanıt ve koordinat sütunları sessizce çıkarılır; geriye hiç yordayıcı kalmazsa "Bağımlı değişken ve koordinatlardan farklı en az bir yordayıcı seçin." (121–122).
- Sütunlar
mq_sayisalile sayıya çevrilir (sayı olmayan değerde açık ileti), sonracomplete.casesuygulanır (124–128). Atılan satır varsa "Not: … satır eksik değer nedeniyle atıldı (kalan n = …)" yazılır (127–128). - n<\max(30{,}5p): "MGWR için en az … tam gözlem gerekli" (129). Yanıt ya da yordayıcı sabit: "'…' sabit." (130).
- Yinelenen koordinat: yalnız uyarı metni (131).
- Tasarım matrisi doğrusal bağımlı: "Yordayıcılar doğrusal bağımlı; birini çıkarın." (136).
bantlardoluysa sayı adedi p değilse, ya da bir değer \le 0 ise: "Sabit bant genişlikleri p pozitif sayı olmalı (kesişim + p-1 yordayıcı)." (150–151). Uyarlamalıda değerler 2 ile n arasında tamsayı olmalı (152–153).- Bant genişliği seçilemezse ya da MGWR kurulamazsa "GWR bant genişliği seçilemedi: …" / "MGWR kestirilemedi: …" (173–174, 183).
- n>800: çıkarım hesaplanmaz, not yazılır (191, 221).
Örnek ayar (ornek_param, 9. satır): y = PctBach, x = PctFB, PctBlack, PctRural, koord_x = X, koord_y = Y, enlem_boylam kapalı, standartlastir açık, cekirdek = bisquare, uyarlamali açık, bantlar boş.
Tohum. Kestirim deterministiktir (kod rastgelelik içermez); kod panelindeki Tohum alanı (Bölüm 1.3) sonucu değiştirmez.
189.3 Örnek veri
georgia.csv: ABD Georgia eyaletinin 159 ilçesi (1990); GWmodel paketinin Georgia verisi. Eksik değer yoktur. X ve Y projeksiyonlu koordinatlardır (metre); Latitude ve Longitud derecedir.
| Değişken | Rol | Tür (veri sekmesi) | Özet |
|---|---|---|---|
PctBach |
yanıt | sayısal | ortalama 10,947; SS 5,697; 4,2–37,5 |
PctFB |
yordayıcı | sayısal | ortalama 1,131; SS 1,236; 0,04–6,74 |
PctBlack |
yordayıcı | sayısal | ortalama 27,393; SS 17,382; 0–79,64 |
PctRural |
yordayıcı | sayısal | ortalama 70,180; SS 27,099; 2,5–100 |
X, Y |
koordinat (m) | sayısal | X: 635 964–1 059 706; Y: 3 401 148–3 872 640 |
Latitude, Longitud |
koordinat (derece) | coğrafi | 30,72–34,92; −85,51…−81,09 |
Hiçbir değişken kategorik değildir; düzey sırası bu şablonda rol oynamaz. Sayısal bir rol (y, x, koordinat) için veri sekmesinde "kategorik" türde gelen bir sütun, ortak düzen gereği (Bölüm 1.3) değer olarak aktarılır.
Bölümde kullanılan çalıştırmalar:
| Ad | Ayar |
|---|---|
ornek |
örnek ayar (bant genişlikleri AICc ile seçilir) |
yayin |
bantlar = 92,101,136,158 (yayımlanmış bant genişlikleri) |
gauss |
cekirdek = gaussian |
stdkapali |
standartlastir kapalı |
enlem |
Longitud/Latitude, enlem_boylam açık |
sabitbant |
uyarlamali kapalı, bantlar = 150000,150000,150000,150000 |
cv, aic, alfa, yakinsamaz |
bant_olcutu, alfa = 0,2, en_cok_yineleme = 10 |
bantyanlis, aynikoord |
denetim hataları (189.8) |
189.4 Yöntem: formüller ve hesap adımları
Hesap şu sırayladır: değişkenler n bölenli standartlaştırılır; küresel EKK kestirilir; tek bant genişlikli GWR için bw.gwr bant genişliğini seçer; gwr.multiscale her terim için ayrı bant genişliğini geri uydurmayla seçer; n\le800 ise şablon, MGWR çözümünü Yu ve ark. (2019) çıkarımı için yeniden kurar (her terimin şapka matrisi \mathbf R_j, etkin parametre sayısı, yerel SH'ler, AICc, düzeltilmiş t sınırı); n\le800 ise şablon aynı tanımlarla (RSS, \mathrm{tr}(\mathbf S), AICc, R^2) tek bant genişlikli GWR'yi de kurar ve MGWR ile karşılaştıran bir tablo yazar; tablolar ve yerel katsayı haritaları yazılır.
189.4.1 Standartlaştırma
Bu ifadede payda n bölenli standart sapmadır (n-1 değil; std, 132). Yanıt ve her yordayıcıya ayrı uygulanır; kesişim sütunu dokunulmaz (134–135).
Neden standartlaştırma?
Her terimin bant genişliği o terimin düzgünleştirdiği değişkenin ölçeğine bağlıdır; ölçekleri farklı yordayıcılar için geri uydurma kararsızlaşır ve bant genişlikleri uç değere yapışır. Standartlaştırılmamış kuruluşta (stdkapali) üç terimin bant genişliği 157'ye (örnekte görülen en büyük değer; n=159) yapışır, RSS ölçek bağımlı (1728,27) ve AICc 850,02 olur; standartlaştırılmış kuruluşla (297,31) karşılaştırılamaz. MGWR'de önerilen kuruluş budur (Fotheringham ve ark., 2017).
189.4.2 Çekirdek ve bant genişliği
i. odak noktasında k. gözlemin ağırlığı w_{ki}=K(d_{ki}/b); d_{ki} iki konum arasındaki Öklid uzaklığı (ya da enlem_boylam açıkken büyük daire uzaklığı, km). bisquare, tricube, gaussian, exponential, boxcar çekirdekleri GWmodel'deki karşılıklarıdır (Gollini ve ark., 2015):
Bu ifadede u=d/b, b bant genişliğidir. exponential için K(u)=e^{-u}, boxcar için K(u)=1 (u\le1) ve 0 (aksi). Uyarlamalı bant genişliği (varsayılan) bir uzaklık değil bir komşu sayısı m'dir: o odak noktası için b, odak noktasına m. en yakın gözlemin (kendisi dahil) uzaklığıdır; böylece yoğun bölgelerde b küçük, seyrek bölgelerde büyük olur. Örnek veride (bisquare, uyarlamalı) kesişim için m=105 demek, her ilçenin yaklaşık 105 en yakın ilçeyle ağırlıklandırılması demektir (n=159; bu bant genişliği küresele yakın değil ama büyük bir bölgedir).
Koddaki tercih
gwr.multiscale(f, spd, kernel = P$cekirdek, adaptive = adapt, criterion = …, approach = bo, longlat = ll_, predictor.centered = rep(FALSE, p - 1), max.iterations =, threshold =, nlower =, hatmatrix = FALSE, bws0 =, bw.seled =, force.armadillo =) (177–182). predictor.centered = FALSE: yordayıcılar merkezlenmez (şablonun tercihi; kesişim ayrı bir terimdir). Sabit bant genişlikleri verilmişse bw.seled hepsi için doğru yapılır, seçim atlanır.
Bant genişliği seçimi uygulamalar arasında farklı çıkabilir
AICc yüzeyi bant genişliği çevresinde çok düzdür; GWmodel geri uydurması Georgia örneğinde 105, 101, 107, 157 seçer, yayımlanmış mgwr sonucu 92, 101, 136, 158'dir (Oshan ve ark., 2019). İki çözümün RSS'si (50{,}759 ve 50{,}899) ve AICc'si (297{,}309 ve 297{,}120) neredeyse aynıdır. Bu nedenle bant genişliklerinin kendisi yorumlanırken dikkat gerekir; yayımlanmış sonuçları yeniden üretmek için bant genişlikleri bantlar alanına girilir.
189.4.3 Geri uydurma ve şapka matrisleri
Geri uydurma, her terim için sırayla kısmi artık üzerine tek bant genişlikli bir yerel EKK uydurur ve yakınsayana kadar yineler. Şablon çıkarım için aynı algoritmayı matris biçiminde yeniden kurar (Yu ve ark., 2019). Terim j için (bant genişliği b_j ağırlıklarıyla) yerel EKK matrisi
Bu ifadede i odak satırı, k gözlem sütunudur; \mathbf A_j\mathbf r kısmi artığı \mathbf r olan bir değişkenin yerel eğimlerini verir (kodda Aj, 182–187). w_{ki} i. odak noktasında k. gözlemin çekirdek ağırlığı, x_{kj} j. sütundur (kesişim için 1).
Geri uydurma yinelemesi (\mathbf S=\sum_j\mathbf R_j toplam şapka matrisi, \mathbf R_j=\mathrm{diag}(\mathbf x_j)\,\mathbf C_j, \boldsymbol\beta_j=\mathbf C_j\mathbf y):
Bu ifadede \mathbf I-(\mathbf S-\mathbf R_j) terim j dışındaki tüm terimlerin açıkladığı kısmı çıkarır (kısmi artık operatörü). Döngü bütün terimleri sırayla günceller ve en büyük |\mathbf R_j^{\text{yeni}}-\mathbf R_j| değeri 10^{-10}'un altına inince durur ya da 1000 yinelemeyi doldurur (203–212). Örnek veride 28 yinelemede yakınsar (bağımsız hesapta da 28). Döngü 1000 adımda yakınsamazsa ENP_j, \mathrm{tr}(\mathbf S), AICc ve yerel SH'lerin kesin olmadığını söyleyen uyarı yazılır (211–214); GWmodel aşamasında yineleme sayısı en_cok_yineleme sınırına varırsa ayrı bir uyarı yazılır (185–187).
Koddaki tercih
Başlangıç \mathbf C_j=\mathbf R_j=\mathbf 0 (200–202), yani her yineleme sıfırdan başlar; yerel katsayılar (B) GWmodel'in çıktısı değil, bu döngünün \mathbf C_j\mathbf y değeridir (214). n\le800 ise tablolardaki bütün sayılar şablonun kendi matris çözümünden gelir; GWmodel yalnız bant genişliklerini seçer.
189.4.4 Etkin parametre sayısı, tanı ölçütleri, çıkarım
Bu ifadede \mathrm{RSS}=\sum_i(y_i-\hat y_i)^2, \hat{\mathbf y}=\mathbf S\mathbf y; \ell azalan \sigma^2=\mathrm{RSS}/n ile yoğunlaştırılmış log-olabilirliktir (225). \mathrm{ENP}_j terim j yüzeyinin etkin serbestlik derecesidir: bant genişliği büyüdükçe 1'e, küçüldükçe n'e gider. Örnekte (b=105{,}101{,}107{,}157) \mathrm{ENP}=3{,}214;\ 3{,}511;\ 3{,}123;\ 1{,}785, \mathrm{tr}(\mathbf S)=11{,}633.
Her yerel katsayının standart hatası \mathbf C_j'nin satırından gelir:
Bu ifadede C_j[i,k] i. odak noktasının \hat\beta_j kestirimini y_k'ya bağlayan ağırlıktır. \alpha_j=\alpha/\mathrm{ENP}_j çoklu karşılaştırma düzeltmesidir (Bonferroni türü; terimin etkin bağımsız test sayısı \mathrm{ENP}_j alınır). Yerel katsayı, |\hat\beta_j/\mathrm{SH}|>t^*_j ise "anlamlı" işaretlenir (250). Serbestlik derecesi n-\mathrm{tr}(\mathbf S) kesirlidir; qt kesirli sd kabul eder.
Neden \alpha/\mathrm{ENP}_j?
Her ilçede ayrı bir test yapılır; n test için Bonferroni (\alpha/n) aşırı tutucudur, çünkü komşu konumların katsayıları ilişkilidir. Terim başına etkin bağımsız test sayısı \mathrm{ENP}_j olarak alınır (Yu ve ark., 2019; da Silva ve Fotheringham, 2016). Büyük bant genişlikli terimde \mathrm{ENP}_j küçüktür ve düzeltme gevşektir (\alpha_{\text{Rural}}=0{,}028).
189.4.5 Karşılaştırma modelleri
Küresel EKK (164–170) ve bw.gwr ile seçilen tek bant genişliği (172–174) yalnız karşılaştırma için verilir. Küresel modelin AICc'si -2\ell+2n(p+1)/(n-p-2) ile aynı kalıpta hesaplanır (235).
189.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 115–131 | Paketleri yükler; veri ve koordinat denetimleri; yordayıcı ve yanıt sütunlarını d'ye alıp tam satırları bırakır. |
Yordayıcılardan yanıt ve koordinatlar sessizce çıkarılır (121). Sayıya çevirme as.numeric iledir (125). |
| 132–139 | std ile n bölenli standartlaştırma; kesişim sütunu eklenir; sıra ve doğrusal bağımsızlık sınanır. |
Kesişim adı arayüz diline göredir ("kesişim"/"intercept", 135). |
| 140–154 | bantlar metnini ayrıştırır; uyarlamalıda tamsayı ve [2,n] aralığı sınanır. |
; varsa ayırıcı ; ve virgül ondalıktır; yoksa ayırıcı virgüldür ve uyarlamalı olmayan bantta ondalık için nokta gerektiği notu yazılır. |
| 156–160 | SpatialPointsDataFrame ve formül (.y ~ …). |
GWmodel sp nesnesi ister. |
| 163–174 | Küresel EKK ve bw.gwr. |
bw_gwr bant genişliğini verir; GWR kestirimi 255–267'dedir. |
| 176–189 | gwr.multiscale ve bant genişlikleri bws. |
hatmatrix = FALSE: şapka matrisleri GWmodel'den alınmaz. |
| 190–222 | n\le800 ise \mathbf A_j,\mathbf C_j,\mathbf R_j,\mathbf S; değilse GWmodel katsayıları. | Bellek O(pn^2); yineleme başına p çarpım O(n^3). |
| 223–229 | RSS, \hat\sigma^2, logLik, AICc, R^2, düzeltilmiş \alpha_j ve t^*_j. | n>800'de enp_j, trS NA olur. |
| 231–254 | Konsol satırı, beş tablo. | Yerel katsayı tablosunda koordinatlar, \hat\beta_j, SH, anlamlılık, tahmin, artık. |
| 255–267 | n\le800 ise tek bant genişlikli GWR: \mathbf S_{ ext{GWR}} satır satır kurulur, RSS, \mathrm{tr}(\mathbf S), AICc, R^2 MGWR ile aynı tanımlarla yazılır. | Aynı çekirdek ve aynı bant genişliği (bw_gwr). |
| 268–279 | Her terim için yerel katsayı haritası. | Renk ölçeği her panelde kendi \max|\hat\beta_j|'sine göre simetriktir; paneller birbiriyle kıyaslanamaz (272–273). |
Çıktı tabloları: Küresel EKK; MGWR bant genişlikleri, ENP ve düzeltme; MGWR tanı ölçütleri; yerel katsayı özeti; yerel katsayılar (konum başına); n\le800 ise tek bant genişlikli GWR ile MGWR karşılaştırması. Bir şekil.
189.6 Elle hesap: örnek veride bağımsız yeniden hesap
Doğrulama GWmodel ve şablon kodu kullanılmadan yapılmıştır: dogrulama/mgwr/elle_hesap.py (numpy; ağırlıklar, \mathbf A_j, geri uydurma ve \mathbf C_j,\mathbf R_j matrisleri doğrudan kurulur) ve r_dogrulama.R (taban R; \mathbf A_j her satır için ayrı döngüyle kurulur). Bant genişlikleri iki çalıştırma için verilir: yayin (93, 102, 138, 167) ve ornek (106, 102, 108, 166).
Adım 1 — Küresel EKK. Standartlaştırılmış değişkenlerle \hat\beta=(0;\ 0{,}457913;\ -0{,}083842;\ -0{,}374266), R^2=0{,}548473, AICc =335{,}1906 (şablon 335{,}191, tablo başlığı). SH'ler 0{,}065525;\ 0{,}054993;\ 0{,}065268.
Adım 2 — Ağırlıklar. Bisquare, uyarlamalı: her odak noktası için b = m. en yakın uzaklık (m kendisi dahil), w=(1-(d/b)^2)^2 (d<b). Odak noktaları 159 olduğundan her terim için 159\times159 matris.
Adım 3 — Geri uydurma. \mathbf C_j, \mathbf R_j yinelemesi 28 adımda 10^{-10} altında durur. Yayımlanmış bant genişliklerinde: \mathrm{RSS}=50{,}899290, \mathrm{tr}(\mathbf S)=11{,}368282, AICc =297{,}119931; \mathrm{ENP}_j=3{,}844891;\ 3{,}513764;\ 2{,}257895;\ 1{,}751731. AICc'yle seçilen bant genişliklerinde: \mathrm{RSS}=50{,}758506, \mathrm{tr}(\mathbf S)=11{,}633310, AICc =297{,}308545.
Adım 4 — Yerel katsayı özeti. Yayımlanmış bant genişliklerinde ortalamalar 0{,}0172;\ 0{,}4790;\ -0{,}0693;\ -0{,}3041 (bağımsız Python ve şablon aynı değerleri 10^{-8} içinde verir).
Adım 5 — Yayımlanmış değerlerle karşılaştırma. Oshan ve ark. (2019) Georgia örneği (yayımlanmış bant genişlikleri, n bölenli standartlaştırma, bisquare): \mathrm{RSS}=50{,}899, \mathrm{tr}(\mathbf S)=11{,}368, \sigma=0{,}587, \ell=-135{,}056, AIC =294{,}849, AICc =297{,}120, R^2=0{,}680; \mathrm{ENP}=3{,}845;\ 3{,}514;\ 2{,}258;\ 1{,}752; \alpha_j=0{,}013;\ 0{,}014;\ 0{,}022;\ 0{,}029; yerel katsayı ortalamaları 0{,}017;\ 0{,}479;\ -0{,}069;\ -0{,}304. Şablonun yayin çalıştırması bunların hepsini üç ondalık içinde yeniden üretir (\mathrm{RSS} 50{,}899290, AICc 297{,}119931, \ell=-135{,}056336, R^2=0{,}679879, \alpha_j 0{,}013004;\ 0{,}014230;\ 0{,}022145;\ 0{,}028543).
189.6.1 Doğrulama: MerQuR+, Python ve R
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | |
|---|---|---|---|---|---|
| RSS, AICc ile seçilen bant (105, 101, 107, 157) | 50,75850605 | 50,75850605 | 50,75850605 | 9,2e−13 | ✓ |
| iz(S), AICc ile seçilen bant (105, 101, 107, 157) | 11,63330952 | 11,63330952 | 11,63330952 | 4,2e−12 | ✓ |
| AICc, AICc ile seçilen bant (105, 101, 107, 157) | 297,30854526 | 297,30854526 | 297,30854526 | 4,7e−14 | ✓ |
| logLik, AICc ile seçilen bant (105, 101, 107, 157) | −134,83613996 | −134,83613996 | — | 2,1e−15 | ✓ |
| R², AICc ile seçilen bant (105, 101, 107, 157) | 0,68076411 | 0,68076411 | — | 4,4e−16 | ✓ |
| sigma, AICc ile seçilen bant (105, 101, 107, 157) | 0,58688735 | 0,58688735 | — | 4,4e−16 | ✓ |
| ENP_kesişim, AICc ile seçilen bant (105, 101, 107, 157) | 3,21441595 | 3,21441595 | 3,21441595 | 6,0e−12 | ✓ |
| ENP_PctFB, AICc ile seçilen bant (105, 101, 107, 157) | 3,51054334 | 3,51054334 | 3,51054334 | 3,0e−12 | ✓ |
| ENP_PctBlack, AICc ile seçilen bant (105, 101, 107, 157) | 3,12322798 | 3,12322798 | 3,12322798 | 5,6e−13 | ✓ |
| ENP_PctRural, AICc ile seçilen bant (105, 101, 107, 157) | 1,78512226 | 1,78512226 | 1,78512226 | 2,4e−11 | ✓ |
| yerel katsayı ortalaması kesişim, AICc ile seçilen bant (105, 101, 107, 157) | 0,01889442 | 0,01889442 | — | 2,7e−16 | ✓ |
| yerel katsayı SS kesişim, AICc ile seçilen bant (105, 101, 107, 157) | 0,1578028 | 0,1578028 | — | 2,5e−16 | ✓ |
| yerel katsayı ortancası kesişim, AICc ile seçilen bant (105, 101, 107, 157) | 0,06004161 | 0,06004161 | — | 4,9e−17 | ✓ |
| yerel katsayı ortalaması PctFB, AICc ile seçilen bant (105, 101, 107, 157) | 0,4827741 | 0,4827741 | — | 1,1e−16 | ✓ |
| yerel katsayı SS PctFB, AICc ile seçilen bant (105, 101, 107, 157) | 0,21757178 | 0,21757178 | — | 1,7e−16 | ✓ |
| yerel katsayı ortancası PctFB, AICc ile seçilen bant (105, 101, 107, 157) | 0,50043775 | 0,50043775 | — | 1,1e−16 | ✓ |
| yerel katsayı ortalaması PctBlack, AICc ile seçilen bant (105, 101, 107, 157) | −0,06060316 | −0,06060316 | — | 8,3e−17 | ✓ |
| yerel katsayı SS PctBlack, AICc ile seçilen bant (105, 101, 107, 157) | 0,05854457 | 0,05854457 | — | 5,6e−17 | ✓ |
| yerel katsayı ortancası PctBlack, AICc ile seçilen bant (105, 101, 107, 157) | −0,05486012 | −0,05486012 | — | 3,5e−17 | ✓ |
| yerel katsayı ortalaması PctRural, AICc ile seçilen bant (105, 101, 107, 157) | −0,30041987 | −0,30041987 | — | 5,6e−17 | ✓ |
| yerel katsayı SS PctRural, AICc ile seçilen bant (105, 101, 107, 157) | 0,01882007 | 0,01882007 | — | 1,7e−17 | ✓ |
| yerel katsayı ortancası PctRural, AICc ile seçilen bant (105, 101, 107, 157) | −0,29799623 | −0,29799623 | — | 1,1e−16 | ✓ |
| RSS, yayımlanmış bant (92, 101, 136, 158) | 50,89928987 | 50,89928987 | 50,89928987 | 5,3e−13 | ✓ |
| iz(S), yayımlanmış bant (92, 101, 136, 158) | 11,36828167 | 11,36828167 | 11,36828167 | 1,9e−12 | ✓ |
| AICc, yayımlanmış bant (92, 101, 136, 158) | 297,11993117 | 297,11993117 | 297,11993117 | 7,4e−14 | ✓ |
| logLik, yayımlanmış bant (92, 101, 136, 158) | −135,05633597 | −135,05633597 | — | 2,1e−16 | ✓ |
| R², yayımlanmış bant (92, 101, 136, 158) | 0,67987868 | 0,67987868 | — | 6,7e−16 | ✓ |
| sigma, yayımlanmış bant (92, 101, 136, 158) | 0,58717293 | 0,58717293 | — | 2,2e−16 | ✓ |
| ENP_kesişim, yayımlanmış bant (92, 101, 136, 158) | 3,84489077 | 3,84489077 | 3,84489077 | 1,3e−12 | ✓ |
| ENP_PctFB, yayımlanmış bant (92, 101, 136, 158) | 3,51376418 | 3,51376418 | 3,51376418 | 2,1e−12 | ✓ |
| ENP_PctBlack, yayımlanmış bant (92, 101, 136, 158) | 2,25789538 | 2,25789538 | 2,25789538 | 1,2e−11 | ✓ |
| ENP_PctRural, yayımlanmış bant (92, 101, 136, 158) | 1,75173134 | 1,75173134 | 1,75173134 | 2,2e−11 | ✓ |
| yerel katsayı ortalaması kesişim, yayımlanmış bant (92, 101, 136, 158) | 0,01720018 | 0,01720018 | — | 1,8e−16 | ✓ |
| yerel katsayı SS kesişim, yayımlanmış bant (92, 101, 136, 158) | 0,17169312 | 0,17169312 | — | 3,3e−16 | ✓ |
| yerel katsayı ortancası kesişim, yayımlanmış bant (92, 101, 136, 158) | 0,05824067 | 0,05824067 | — | 1,5e−16 | ✓ |
| yerel katsayı ortalaması PctFB, yayımlanmış bant (92, 101, 136, 158) | 0,47903217 | 0,47903217 | — | 3,3e−16 | ✓ |
| yerel katsayı SS PctFB, yayımlanmış bant (92, 101, 136, 158) | 0,2169961 | 0,2169961 | — | 5,6e−17 | ✓ |
| yerel katsayı ortancası PctFB, yayımlanmış bant (92, 101, 136, 158) | 0,49954094 | 0,49954094 | — | 5,6e−17 | ✓ |
| yerel katsayı ortalaması PctBlack, yayımlanmış bant (92, 101, 136, 158) | −0,06930764 | −0,06930764 | — | 0 | ✓ |
| yerel katsayı SS PctBlack, yayımlanmış bant (92, 101, 136, 158) | 0,03601232 | 0,03601232 | — | 2,8e−17 | ✓ |
| yerel katsayı ortancası PctBlack, yayımlanmış bant (92, 101, 136, 158) | −0,06411236 | −0,06411236 | — | 5,6e−17 | ✓ |
| yerel katsayı ortalaması PctRural, yayımlanmış bant (92, 101, 136, 158) | −0,30413194 | −0,30413194 | — | 5,6e−17 | ✓ |
| yerel katsayı SS PctRural, yayımlanmış bant (92, 101, 136, 158) | 0,01877429 | 0,01877429 | — | 9,0e−17 | ✓ |
| yerel katsayı ortancası PctRural, yayımlanmış bant (92, 101, 136, 158) | −0,30193108 | −0,30193108 | — | 8,9e−16 | ✓ |
| küresel EKK katsayısı 1 | 0,45791259 | 0,45791259 | 0,45791259 | 4,0e−11 | ✓ |
| küresel EKK katsayısı 2 | −0,08384193 | −0,08384193 | −0,08384193 | 5,4e−12 | ✓ |
| küresel EKK katsayısı 3 | −0,37426591 | −0,37426591 | −0,37426591 | 4,7e−11 | ✓ |
| küresel EKK SH 1 | 0,06552467 | 0,06552467 | — | 6,9e−17 | ✓ |
| küresel EKK SH 2 | 0,05499337 | 0,05499337 | — | 4,9e−17 | ✓ |
| küresel EKK SH 3 | 0,06526807 | 0,06526807 | — | 4,2e−17 | ✓ |
| ilk ilçenin kesişim SH'si (yayımlanmış bant) | 0,07665358 | 0,07665358 | — | 2,8e−17 | ✓ |
Ölçütü karşılayan: 51/51. Yayımlanmış Oshan ve ark. (2019) değerleriyle (3 ondalık) karşılaştırma bölüm 189.6'da ayrıca verilmiştir.
Hesaplanan bütün büyüklükler iki bağımsız yoldan 10^{-6} içinde örtüşür (gerçekte 10^{-10} mertebesinde). Bant genişliklerinin seçimi (GWmodel'in geri uydurması) bu tabloda doğrulanmamıştır: bant genişlikleri girdi olarak sabitlenmiştir; seçim yalnız yayımlanmış sonuçla (105, 101, 107, 157 ile 92, 101, 136, 158) kıyaslanmıştır (189.4.2).
189.7 Çıktıyı okuma
Konsol çıktısı (ornek), olduğu gibi:
n = 159; 4 terim; GWR bant genişliği = 116; MGWR bant genişlikleri = 105, 101, 107, 157
Küresel EKK (R² = 0.5485; AICc = 335.191)
| terim | kestirim | SH | t | p |
|---|---|---|---|---|
| kesişim | −1.83e-16 | 0.053973 | −3.40e-15 | 1 |
| PctFB | 0.457913 | 0.065525 | 6.9884 | 7.75e-11 |
| PctBlack | −0.083842 | 0.054993 | −1.5246 | 0.129401 |
| PctRural | −0.374266 | 0.065268 | −5.7343 | 4.98e-08 |
MGWR bant genişlikleri, terim başına etkin parametre sayısı ve çoklu karşılaştırma düzeltmesi
| terim | bant_genisligi | ENP_j | duzeltilmis_alfa | duzeltilmis_t | GWR_bant |
|---|---|---|---|---|---|
| kesişim | 105 | 3.214416 | 0.015555 | 2.447631 | 116 |
| PctFB | 101 | 3.510543 | 0.014243 | 2.480551 | 116 |
| PctBlack | 107 | 3.123228 | 0.016009 | 2.436810 | 116 |
| PctRural | 157 | 1.785122 | 0.028009 | 2.219086 | 116 |
MGWR tanı ölçütleri
| olcut | deger |
|---|---|
| RSS | 50.758506 |
| iz(S) | 11.633310 |
| serbestlik derecesi | 147.366690 |
| sigma | 0.586887 |
| logLik | −134.836140 |
| AIC | 294.938899 |
| AICc | 297.308545 |
| R2 | 0.680764 |
| düzeltilmiş R2 | 0.655391 |
Yerel katsayıların özeti
| terim | ortalama | SS | en_kucuk | ortanca | en_buyuk |
|---|---|---|---|---|---|
| kesişim | 0.018894 | 0.157803 | −0.227808 | 0.060042 | 0.242099 |
| PctFB | 0.482774 | 0.217572 | 0.119471 | 0.500438 | 0.727104 |
| PctBlack | −0.060603 | 0.058545 | −0.162606 | −0.054860 | 0.049589 |
| PctRural | −0.300420 | 0.018820 | −0.343452 | −0.297996 | −0.263218 |
Yerel katsayılar (159 satırın ilk ikisi, kısaltılmış)
| X | Y | b_kesişim | b_PctFB | b_PctBlack | b_PctRural | SH_PctFB | anlamli_PctFB | tahmin | artik |
|---|---|---|---|---|---|---|---|---|---|
| 941396.6 | 3521764 | −0.174365 | 0.296406 | 0.005932 | −0.327622 | 0.109279 | True | −0.360493 | −0.123241 |
| 895553.0 | 3471916 | −0.220355 | 0.231359 | 0.041014 | −0.321609 | 0.096736 | False | −0.492367 | −0.308320 |
Tek bant genişlikli GWR ile MGWR karşılaştırması (aynı iz(S) ve AICc tanımı)
| olcut | GWR | MGWR |
|---|---|---|
| RSS | 51.082901 | 50.758506 |
| iz(S) | 11.912091 | 11.633310 |
| AICc | 298.985600 | 297.308545 |
| R2 | 0.678724 | 0.680764 |
| bant genişliği | 116 | NA |
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Küresel EKK | Tek eğimli doğrusal model | Karşılaştırma tabanı. R^2=0{,}548, AICc 335{,}2. PctBlack küresel olarak anlamsızdır (p=0{,}129). |
bant_genisligi |
Terim başına bant genişliği (uyarlamalıda komşu sayısı) | Küçük sayı = yerel (hızlı değişen) süreç, n'e yakın = küresel (sabit). PctRural 157 (= n-2) ile neredeyse küreseldir; kesişim ve PctFB 101–105'tedir. |
ENP_j |
Terim yüzeyinin etkin parametre sayısı | 1'e yakınsa katsayı mekânda neredeyse sabit; büyükse değişkendir. PctRural 1,79, PctFB 3,51. |
duzeltilmis_alfa, duzeltilmis_t |
\alpha/\mathrm{ENP}_j ve karşılık gelen t sınırı | Yerel katsayı |t| bu sınırı geçerse "anlamlı". |
GWR_bant |
Tek bant genişlikli GWR'nin AICc'yle seçilen bant genişliği | Karşılaştırma tablosundaki GWR sütununun bant genişliğidir. |
| GWR karşılaştırması | Tek bant genişlikli GWR ve MGWR için RSS, \mathrm{tr}(\mathbf S), AICc, R^2 | Örnekte AICc GWR'de 298{,}99, MGWR'de 297{,}31; iz(S) 11{,}91 ve 11{,}63. Kazanç küçüktür; MGWR'nin üstünlüğü AICc'deki 1,7 birimlik düşüş ve terim başına ENP ile değerlendirilir. |
| Tanı ölçütleri | RSS, \mathrm{tr}(\mathbf S), AICc, R^2 | AICc küresel (335,19) ve MGWR (297,31) arasında düşer; MGWR uzamsal değişimi yakalar. İz(S) = 11,63: model etkin olarak yaklaşık 11,6 parametre kullanır. |
| Yerel katsayı özeti | Her yüzeyin ortalaması, SS'si, aralığı | PctFB yüzeyi 0,12 ile 0,73 arasında değişir (SS 0,218); PctRural neredeyse sabittir (SS 0,019). PctBlack işaret değiştirir (−0,16…0,05). |
| Yerel katsayılar | Konum başına \hat\beta_j, SH, anlamlılık | Anlamlı sayıları: kesişim 49, PctFB 130, PctBlack 0, PctRural 159 ilçe. |
Şekil 189.1. Yerel katsayı yüzeyleri (her panel kendi bant genişliğiyle ve kendi simetrik renk ölçeğiyle).

Ek çalıştırmalar: yayin (bant genişlikleri 92, 101, 136, 158): \mathrm{RSS}=50{,}899, \mathrm{tr}(\mathbf S)=11{,}368, AICc =297{,}120. gauss: bant genişlikleri 25{,}10{,}154{,}157; AICc 292{,}717 (bisquare'ten düşük; çekirdekler aynı veride AICc ile karşılaştırılabilir, ama bir Gauss bant genişliği bir bisquare bant genişliğinden farklı bir uzaklığı gösterir). enlem (derece koordinat, büyük daire uzaklığı): bant genişlikleri 104{,}104{,}100{,}157, AICc 297{,}375. sabitbant (uzaklık 150\,000 m, uyarlamalı değil): \mathrm{tr}(\mathbf S)=28{,}16, AICc 317{,}78 (kötü bant genişliği seçimi AICc'de görünür). cv: bant genişlikleri 104{,}104{,}101{,}157, AICc 297{,}277 (\mathrm{tr}(\mathbf S)=11{,}767).
Rapor cümlesi. Georgia'nın 159 ilçesinde üniversite mezunu oranı, yabancı doğumlu, siyahi ve kırsal nüfus oranlarına çok ölçekli coğrafi ağırlıklı regresyonla bağlandı (uyarlamalı bisquare çekirdek, standartlaştırılmış değişkenler, bant genişlikleri AICc ile seçildi). Bant genişlikleri kesişim, yabancı doğumlu, siyahi ve kırsal oran için sırasıyla 105, 101, 107 ve 157 en yakın komşuydu; kırsal oran etkisi yaklaşık küreseldi (ENP = 1,79), yabancı doğumlu oranının etkisi mekânsal olarak değişkendi (yerel katsayı 0,12 ile 0,73, ENP = 3,51). MGWR küresel modele göre AICc'yi 335,19'dan 297,31'e düşürdü (R^2 = 0,681; iz(S) = 11,63). Düzeltilmiş t sınırlarına göre (α/ENP) yabancı doğumlu oranı 159 ilçenin 130'unda, kırsal oran 159'unda, siyahi oranı hiçbirinde anlamlıydı.
189.8 Sık hatalar ve tuzaklar
- Bant genişliklerini birebir yorumlamayın. AICc yüzeyi düzdür; aynı veride farklı uygulamalar 105 ile 92 ya da 107 ile 136 seçer ve AICc'ler neredeyse eşittir (189.4.2). Karşılaştırma için bant genişliklerini sabitleyin.
bantlarsırası kesişim, sonra yordayıcıların seçildiği sıradır. Sayı adedi p değilse hata verir (bantyanlis: "Sabit bant genişlikleri 4 pozitif sayı olmalı"). Uyarlamalıda değerler tamsayı olmalıdır; uzaklık bantlarında ondalık değeri ya nokta ile yazın ya da alanda;ayırıcısı kullanıp ondalık virgül yazın (ör.99999,5; 89999,5; 79999,5; 69999,5);;yoksa virgül ayırıcı sayılır.- "AIC" seçmek AICc'den farklı sonuç vermez. GWmodel'in geri uydurması AICc'yi tanımaz ve AIC olarak çalışır; ikisi aynı çözümü verir (
aicveornekaynı bant genişlikleri); formdaki açıklama bunu söyler. Tek bant genişlikli GWR için AICc ayrıca uygulanır. Ölçüt olarak CV seçilirse sonuç değişir. - Standartlaştırmayı kapatmak bant genişliklerini uç değere iter (
stdkapali: 157, 101, 157, 157); AICc ölçek bağımlı hâle gelir (B3). - Tek bant genişlikli GWR yalnız n\le800'de karşılaştırma tablosunda verilir (RSS, \mathrm{tr}(\mathbf S), AICc, R^2); GWR'nin yerel katsayıları yazılmaz.
- Koordinatlar derece ise
enlem_boylamaçılmalıdır; kapalıyken dereceler düzlemsel uzaklık sayılır ve uzaklıklar enlemle çarpıtılır. Şablon bunu denetlemez. Uyarlamalı olmayan bant genişliğinde birim, açık durumda kilometre, kapalı durumda koordinat birimidir. - Yinelenen koordinatlar uyarlamalı komşu sayımını etkiler; yalnız uyarı yazılır (131).
- Eksik değerli satırlar atılır; atılan satır sayısı ve kalan n çıktıya yazılır. Koordinatı eksik satır komşulukları da değiştirir.
- n>800 sınırı. Daha büyük veride ENP, iz(S), AICc ve yerel SH verilmez; bunun için GWmodel'in kendi işlevleri ya da
mgwrPython paketi gerekir (B7). - Yakınsama. Üst yineleme sınırına varıldığında ve \mathbf R_j yinelemesi 1000 adımda yakınsamadığında uyarı yazılır.
en_cok_yinelemeveesikyalnız GWmodel aşamasını yönetir. - Yerel katsayı yüzeyinin renkleri paneller arasında karşılaştırılamaz; her panelin ölçeği kendi en büyük mutlak değeridir (Şekil 189.1).
- Yerel anlamlılığı tek tek yorumlamayın. 159 test aynı anda yapılır; \alpha/\mathrm{ENP}_j düzeltmesi yerleşik bir yaklaşımdır, kesin aile hata oranı değildir.
189.9 Uzman soruları
S1. MGWR'nin GWR'ye göre ne kazancı vardır ve bunu çıktıdan nasıl görürüm?
GWR bütün katsayıları aynı bant genişliğine zorlar; MGWR her terime ayrı bant genişliği verir ve bu hem AICc'yi düşürür hem de terim başına etkin parametre sayısını (\mathrm{ENP}_j) gerçekçi kılar. Örnekte PctRural neredeyse küreseldir (b=157, ENP 1{,}79) ve PctFB değişkendir (b=101, ENP 3{,}51). Şablon GWR'nin AICc'sini de yazar: küresel modelde 335{,}19, GWR'de 298{,}99, MGWR'de 297{,}31.
S2. Neden standartlaştırma n bölenli?
Yu ve ark. (2019) ve mgwr paketi aynı tanımı kullanır; n bölenli standart sapma yerel EKK'nin ölçeğini tanımlar ve yayımlanmış sonuçlarla (\mathrm{RSS}=50{,}899) birebir uyuşmayı sağlar. n-1 bölenli standartlaştırma RSS ve \sigma ölçeğini değiştirir; yayımlanmış değerlerle karşılaştırma için n bölenli kuruluş gerekir.
S3. Çıkarımda neden n-\mathrm{tr}(\mathbf S) serbestlik derecesi?
\mathbf S şapka matrisi olduğundan etkin artık serbestlik derecesi n-\mathrm{tr}(\mathbf S)'dir (örnekte 147{,}37); \hat\sigma^2=\mathrm{RSS}/(n-\mathrm{tr}(\mathbf S)) buna göredir (224). Bu, doğrusal modeldeki n-p'nin eşdeğeridir.
S4. Sınır durumu: bant genişliği 157 (= n-2) ne anlama gelir?
Uyarlamalı bisquare çekirdekte 157 komşu, ağırlıkların hemen hemen hiç sönmediği bir bölgedir; terimin yüzeyi neredeyse sabittir (SS 0,019). 157, örnekte görülen en büyük bant genişliğidir (n=159); bu değere yapışan terim küresel kabul edilir. Bu durumda terim için yerel anlamlılığın ve \mathrm{ENP}_j\approx1 değerinin birlikte okunması gerekir.
S5. Şablon neden çıkarımı GWmodel'e bırakmayıp yeniden kuruyor?
gwr.multiscale çıktısı şapka matrislerini (hatmatrix = FALSE) ve Yu ve ark. (2019) çıkarımını (terim başına \mathbf R_j, ENP_j, düzeltilmiş t) içermez; şablon bu çıkarımı \mathbf A_j ve geri uydurma matrisleriyle kendi içinde kurar. Bu nedenle bant genişlikleri GWmodel'den, tanı ve çıkarım şablondandır; bağımsız doğrulama da yalnız şablonun matris kısmını kapsar (189.6).
S6. Başka bir paketle fark: `mgwr` Python paketi.
mgwr (Oshan ve ark., 2019) aynı modeli kestirir ama bant genişliği seçimi başka bir arama algoritmasıyladır (altın oran); Georgia'da 92, 101, 136, 158 seçer, GWmodel 105, 101, 107, 157. İki çözümün RSS'si ve AICc'si 0{,}2 içindedir. Aynı bant genişlikleri verildiğinde şablonun çıktısı yayımlanmış mgwr sonuçlarıyla 5\times10^{-4} içinde örtüşür (189.6).
S7. Koordinatlar derece ise ne olur?
enlem_boylam açıkken gw.dist(longlat = TRUE) büyük daire uzaklığını kilometre olarak verir; uyarlamalı bant genişliği komşu sayısı olduğundan birimden bağımsızdır, uzaklık bandında ise kilometre cinsinden girilmelidir. Örnek veride (enlem) bant genişlikleri 104{,}104{,}100{,}157, projeksiyonlu koordinat sonucundan (105{,}101{,}107{,}157) çok az ayrılır.
S8. Yerel katsayıların standart hatası neden \hat\sigma\sqrt{\sum_kC_j[i,k]^2}?
\hat\beta_j(i)=\sum_kC_j[i,k]\,y_k olduğundan, y'nin koşullu varyansı \sigma^2\mathbf I iken \mathrm{Var}(\hat\beta_j(i))=\sigma^2\sum_kC_j[i,k]^2'dir (ilk ilçe için bağımsız hesapla yeniden üretildi). Bu, \mathbf C_j sabit (veriden bağımsız bant genişliği) varsayımına dayanır; bant genişliklerinin veriden seçilmesinin getirdiği belirsizlik katılmaz.
189.10 Kaynaklar
Brunsdon, C., Fotheringham, A. S., & Charlton, M. E. (1996). Geographically weighted regression: A method for exploring spatial nonstationarity. Geographical Analysis, 28(4), 281–298. https://doi.org/10.1111/j.1538-4632.1996.tb00936.x
da Silva, A. R., & Fotheringham, A. S. (2016). The multiple testing issue in geographically weighted regression. Geographical Analysis, 48(3), 233–247. https://doi.org/10.1111/gean.12084
Fotheringham, A. S., Yang, W., & Kang, W. (2017). Multiscale geographically weighted regression (MGWR). Annals of the American Association of Geographers, 107(6), 1247–1265. https://doi.org/10.1080/24694452.2017.1352480
Gollini, I., Lu, B., Charlton, M., Brunsdon, C., & Harris, P. (2015). GWmodel: An R package for exploring spatial heterogeneity using geographically weighted models. Journal of Statistical Software, 63(17), 1–50. https://doi.org/10.18637/jss.v063.i17
Hurvich, C. M., & Tsai, C.-L. (1989). Regression and time series model selection in small samples. Biometrika, 76(2), 297–307. https://doi.org/10.1093/biomet/76.2.297
Oshan, T. M., Li, Z., Kang, W., Wolf, L. J., & Fotheringham, A. S. (2019). mgwr: A Python implementation of multiscale geographically weighted regression for investigating process spatial heterogeneity and scale. ISPRS International Journal of Geo-Information, 8(6), 269. https://doi.org/10.3390/ijgi8060269
Yu, H., Fotheringham, A. S., Li, Z., Oshan, T., Kang, W., & Wolf, L. J. (2019). Inference in multiscale geographically weighted regression. Geographical Analysis, 52(1), 87–106. https://doi.org/10.1111/gean.12189