MerQuR+Başvuru Kitabı

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.

y_i=\beta_0(u_i,v_i)+\sum_{j=1}^{p-1}\beta_j(u_i,v_i)\,x_{ij}+\varepsilon_i,\qquad \varepsilon_i\sim N(0,\sigma^2)

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 da kosullu_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_x ile koord_y aynı 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_sayisal ile sayıya çevrilir (sayı olmayan değerde açık ileti), sonra complete.cases uygulanır (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).
  • bantlar doluysa 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

z_i=\frac{x_i-\bar x}{\sqrt{\tfrac1n\sum_k(x_k-\bar x)^2}}

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):

K_{\text{bisq}}(u)=\begin{cases}(1-u^2)^2,&u<1\\0,&u\ge1\end{cases}\qquad K_{\text{tri}}(u)=\begin{cases}(1-u^3)^3,&u<1\\0,&u\ge1\end{cases}\qquad K_{\text{gauss}}(u)=e^{-u^2/2}

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

\mathbf A_j[i,k]=\frac{w_{ki}(b_j)\,x_{kj}}{\sum_{l}w_{li}(b_j)\,x_{lj}^2}

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):

\mathbf C_j\leftarrow\mathbf A_j\bigl(\mathbf I-(\mathbf S-\mathbf R_j)\bigr),\qquad \mathbf R_j\leftarrow\mathrm{diag}(\mathbf x_j)\mathbf C_j,\qquad \mathbf S\leftarrow\mathbf S-\mathbf R_j^{\text{eski}}+\mathbf R_j

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

\mathrm{ENP}_j=\mathrm{tr}(\mathbf R_j),\qquad \mathrm{tr}(\mathbf S)=\sum_j\mathrm{ENP}_j,\qquad \hat\sigma^2=\frac{\mathrm{RSS}}{n-\mathrm{tr}(\mathbf S)}
\mathrm{AICc}=-2\ell+\frac{2n\,\bigl(\mathrm{tr}(\mathbf S)+1\bigr)}{n-\mathrm{tr}(\mathbf S)-2},\qquad \ell=-\frac n2\Bigl[\ln(2\pi)+\ln\frac{\mathrm{RSS}}{n}+1\Bigr]

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:

\mathrm{SH}\bigl(\hat\beta_j(u_i,v_i)\bigr)=\hat\sigma\sqrt{\textstyle\sum_{k}C_j[i,k]^2},\qquad \alpha_j=\frac{\alpha}{\mathrm{ENP}_j},\qquad t^{*}_j=t_{1-\alpha_j/2,\;n-\mathrm{tr}(\mathbf S)}

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.
  • bantlar sırası 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 (aic ve ornek aynı 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_boylam açılmalıdır; 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 mgwr Python paketi gerekir (B7).
  • Yakınsama. Üst yineleme sınırına varıldığında ve \mathbf R_j yinelemesi 1000 adımda yakınsamadığında uyarı yazılır. en_cok_yineleme ve esik yalnız 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