119. Coğrafi Ağırlıklı Regresyon (GWR)
Analiz kimliği: spatial_gwr · Menü adı: GWR (Coğrafi Ağırlıklı Regresyon) · Panel ve motor: gui/panels/analyses/spatial_gwr.py, execute (satır 323–615); bant araması _bw_bounds, _search_bw (682–779); tanılar _extra_diagnostics, _leung_tests, _moran_and_collinearity (1234–1287); MGWR _fit_mgwr (864–963). Yerel kestirim mgwr GWR.
119.1 Ne işe yarar
GWR şu soruyu cevaplar: Açıklayıcıların sonuç üzerindeki etkisi her yerde aynı mı, yoksa konuma göre değişiyor mu? OLS tek bir \boldsymbol\beta kestirir ve bunun tüm illerde geçerli olduğunu varsayar. GWR her gözlem noktasında, o noktaya yakın gözlemlere daha çok ağırlık veren ayrı bir ağırlıklı regresyon kurar:
- (u_i,v_i): i. gözlemin konumu (boylam, enlem).
- \beta_j(u_i,v_i): j. katsayının i. konumdaki değeri; konumun düzgün bir fonksiyonu varsayılır.
- p: sabit dahil katsayı sayısı.
- Tüm konumlar aynı \sigma^2'yi paylaşır; yalnız katsayılar değişir.
Ne zaman kullanılır? Mekânsal heterojenlik (ilişkinin büyüklüğü bölgeden bölgeye değişiyor) araştırılırken; en az birkaç yüz değil ama en az 30, tercihen 100'den çok konum varsa; yerel katsayı haritaları keşif amacıyla isteniyorsa.
Ne zaman kullanılmaz?
- Sorun bağımlılıksa (komşu sonuçlar birbirini etkiliyor): SAR (Bölüm 117). Hatalarda kümelenme varsa: Mekânsal Hata Modeli (Bölüm 118). GWR bağımlılığı modellemez; artıklarda Moran's I kalabilir.
- Gözlem sayısı küçükse (n<30 hata; n<100 not).
- Katsayıların değişip değişmediği sınanmak istenmiyor, yalnız tek ortak etki isteniyorsa: OLS ya da karma model.
- Sonuç ikili ya da sayımsa: bu panel yalnız Gauss GWR'dir.
Sık karıştırılan analizler. GWR ile MGWR (aynı panelde seçenek): GWR'de tüm katsayılar aynı bant genişliğiyle yumuşatılır; MGWR her katsayıya ayrı bant verir (119.5.8). GWR ile mekânsal rejim/etkileşim modeli: rejim modeli bölgeleri önceden tanımlar, GWR sürekli değişim varsayar. GWR yerel katsayıları birer "kestirim" olarak değil, keşif amaçlı bir yüzey olarak okunmalıdır; yerel t'ler çoklu test sorunu taşır (119.5.6).
119.2 Varsayımlar ve veri türü
| Varsayım | Ne demek | MerQur'da nasıl denetlenir |
|---|---|---|
| Düzgün değişen katsayılar | Yakın konumların katsayıları benzer. | Leung F_3 ve Monte Carlo testleri katsayı başına değişkenliği sınar. |
| Ortak, sabit varyans | \sigma^2 tüm konumlarda aynı. | Denetlenmez. |
| Bağımsız hatalar | Artıklarda mekânsal bağımlılık yok. | GWR artıkları Moran's I (k = 8). |
| Yerel çoklu doğrusallık yok | Her yerel tasarım iyi koşullu. | Yerel VIF ve yerel koşul sayısı. |
| Yeterli yerel örneklem | Her yerel regresyonda en az p+1 pozitif ağırlıklı gözlem. | Bant arama alt sınırı ve tekil tasarım iletisi. |
Eksik değer. Bağımlı değişken, açıklayıcılar ya da koordinatlarda eksik olan satır çıkarılır (spatial_gwr.py:391). Kategorik açıklayıcılar kukla değişkenlere açılır (384).
Uç durumlar.
- n<30: "Yetersiz gözlem (GWR için en az 30; ≥100 önerilir)" (
390–392); n<100 not (598–601). - Sabit bağımlı/açıklayıcı ya da tek konum: hata (
394–397). - "Coğrafi" seçilip değerler derece aralığında değilse (\lvert\text{enlem}\rvert>90 ya da \lvert\text{boylam}\rvert>180): hata (
412–415). - Yerel \mathbf X^{\top}\mathbf W_i\mathbf X tekilse: uyarlanırda "daha geniş bant (≥ p + 2 komşu)", sabitte güvenli alt sınırı yazan ileti (
_singular_msg,830–840). - Seçilen bant arama aralığının ucundaysa not (
470–472); ENP >n/2 ise doymuş bant notu; AIC/BIC ölçütünde ENP >n/4 ya da bant alt sınırdaysa yozlaşma notu (589–597). - Paralel işçi süreç hatasında hesap tek süreçle yinelenir; sonuç aynıdır (
453–499).
119.3 Parametreler
Varsayılanlar add_form_rows (177–285) ve read_form_options (288–318) satırlarından alınmıştır.
| Arayüz adı | Varsayılan | Ne yapar | Sonucu nasıl değiştirir |
|---|---|---|---|
| Bağımlı (sayısal) DV | ilk sayısal sütun | \mathbf y. | — |
| Bağımsız değişkenler | en az 1 | Sayısal ya da kategorik (kukla). | \mathbf X. |
| Enlem / Boylam | ilk sayısal sütun | Konumlar. | Uzaklıklar. |
| Bant genişliği türü | Uyarlanır (k komşu) | Uyarlanır: her noktada en yakın b gözlem; sabit: her noktada aynı yarıçap. | Seyrek bölgelerde uyarlanır bant genişler. |
| Çekirdek | Bisquare (kompakt) | Bisquare, Gauss, üstel, tricube, boxcar. | Ağırlıkların uzaklıkla azalma biçimi. |
| Bant seçim kriteri | AICc | AICc, AIC, BIC, CV. | Seçilen bant (CV genellikle daha küçük bant). |
| Elle bant genişliği | 0 (otomatik) | Uyarlanırda komşu sayısı (tam sayıya yuvarlanır), sabitte uzaklık (coğrafi koordinatta km). | Arama yapılmaz. |
| Bant arama alt / üst sınırı | 0 (otomatik) | Arama aralığını daraltır; güvenli alt sınırın altına inemez. | — |
| Model | GWR | GWR ya da MGWR (değişkene özgü bant). | 119.5.8. |
| Uzaklık | Otomatik | Otomatik, coğrafi (büyük çember, km), projeksiyonlu (Öklid). | Uzaklık birimi ve değerleri. |
| Yerel katsayı değişkenliği Monte Carlo testi | kapalı | Koordinat permütasyonu testi; yalnız GWR. | Ek bölüm; yavaştır. |
| Permütasyon sayısı | 99 (19–9999) | MC test permütasyonları. | En küçük p=1/(N+1). |
| Tohum | 12345 | MC permütasyon tohumu (tohum (seed)). | Aynı tohum aynı p'leri verir. |
Otomatik uzaklık kuralı neden sütun adına da bakıyor?
Değerlerin derece aralığında olması tek başına yetmez: küçük sayılı projeksiyonlu koordinatlar da (ör. 0–60 arası yerel ızgara) bu aralığa düşer. MerQur iki sütunun da aralıkta ve adlarının coğrafi (lat/enlem, lon/lng/boylam) olmasını ister; yalnız aralık tutuyorsa Öklid kullanır ve not basar (404–424). Tıp verisinde sütun adları lat/lon olduğundan büyük çember (km) seçilir.
119.4 Tıp örneği
Dosya: english/datasets/Tip/107_gwr_local_risk_factor.xlsx (Türkçe kopyası samples/Tum_Analiz_Tip/107_gwr_lokal_risk_faktor.xlsx). Değişkenler VIDEO_SCRIPT_TR.txt #107'den. Veri benzetimle üretilmiş 110 "il" noktasıdır.
| Değişken | Rol | Tür | Özet |
|---|---|---|---|
case_ratio |
Bağımlı | sürekli | ortalama 437,6; SS 95,3; 186,2–619,4 |
socioeconomic |
Açıklayıcı | sürekli | ortalama 52,9; SS 21,3 |
age_mean |
Açıklayıcı | sürekli | ortalama 41,5; SS 7,8 |
lat |
Enlem | derece | 36,50–41,47 |
lon |
Boylam | derece | 27,21–41,85 |
n ve eksik değer: 110 il, eksik değer yok.
Klinik soru: Sosyoekonomik düzeyin ve yaş ortalamasının vaka oranıyla ilişkisi Türkiye'nin her yerinde aynı mı?
Seçilen ayarlar: Varsayılanlar: uyarlanır bisquare, AICc, otomatik uzaklık (büyük çember), GWR. Hesap yürüyüşü için ayrıca CV ölçütü, elle bant 60, Monte Carlo testi (99 permütasyon, tohum 12345, iki kez) ve sabit Gauss çekirdek denenmiştir.
119.5 Formüller ve hesap adımları
MerQur'un hesap sırası: liste bazında silme ve kukla kodlama → uzaklık türü (büyük çember ya da Öklid) → bant arama aralığı → seçilen ölçütle tam ızgara ve rafine arama → seçilen bantta mgwr GWR.fit(): her noktada ağırlıklı en küçük kareler, şapka matrisinin izleri → AICc/AIC/BIC, R^2, \sigma^2, yerel SH ve t → çoklu test düzeltmeli kritik t → OLS kıyası, Leung F testleri, artık Moran's I, yerel çoklu doğrusallık → (isteğe bağlı) Monte Carlo testi.
119.5.1 Uzaklık ve çekirdek
Büyük çember uzaklığı (haversine, küre):
- \Delta v=v_j-v_i, \Delta u=u_j-u_i: radyan cinsinden enlem ve boylam farkları (mgwr
local_cdist). - Projeksiyonlu koordinatta d_{ij} Öklid uzaklıktır (koordinat biriminde).
i. noktada ağırlık w_{ij}=K(d_{ij}/b_i), z=d/b ile:
| Çekirdek | K(z) | Sıfır olduğu yer |
|---|---|---|
| Bisquare | (1-z^2)^2 | z\ge1 |
| Tricube | (1-z^3)^3 | z\ge1 |
| Boxcar | 1 | z\ge1 |
| Gauss | \exp(-z^2/2) | hiçbir yerde |
| Üstel | \exp(-z) | hiçbir yerde |
- Sabit bant: b_i=b (uzaklık birimi).
- Uyarlanır bant: b_i=d_{i(b)}\times1{,}0000001; d_{i(b)}, i'nin kendisi dahil b. en yakın gözleme uzaklığıdır (mgwr
Kernel). Bisquare'de b nokta pozitif ağırlık alır; en uzaktakinin ağırlığı (1-1/1{,}0000001^2)^2\approx4\times10^{-14}'tür. - Tricube ve boxcar, GWmodel'deki tanımlarıyla mgwr'ye eklenmiştir (
_ensure_extra_kernels,156–174); bu iki çekirdekte hesap tek süreçle yapılır.
Neden uyarlanır bant varsayılan?
Gözlem yoğunluğu mekânda eşit değildir. Sabit yarıçap seyrek bölgede çok az, yoğun bölgede çok sayıda gözlem toplar; seyrek bölgede yerel regresyon kararsızlaşır ya da tekilleşir. Uyarlanır bant her noktada aynı sayıda komşu kullanır; yerel kestirimlerin varyansını dengeler.
119.5.2 Yerel ağırlıklı en küçük kareler ve şapka matrisi
- \mathbf W_i=\operatorname{diag}(w_{i1},\dots,w_{in}): i. noktanın ağırlıkları; \mathbf X: n\times p, sabit dahil.
- \mathbf C_i=(\mathbf X^{\top}\mathbf W_i\mathbf X)^{-1}\mathbf X^{\top}\mathbf W_i: p\times n; \hat{\boldsymbol\beta}(i) gözlemlerin doğrusal birleşimidir.
- \mathbf S: satırları \mathbf s_i^{\top} olan n\times n şapka matrisi; \hat{\mathbf y}=\mathbf S\mathbf y. GWR doğrusal bir düzleyicidir.
Neden ENP = tr S?
OLS'de şapka matrisinin izi tam p'dir (parametre sayısı). GWR'de \mathbf S izdüşüm değildir; izi, modelin "harcadığı" etkin parametre sayısını ölçer. Bant büyüdükçe \nu_1\to p (OLS), küçüldükçe \nu_1\to n (her noktadan geçen eğri). Tıp verisinde bant 43 komşuyken ENP = 19,45'tir: GWR, OLS'nin 3 parametresi yerine yaklaşık 19 parametre kullanır.
119.5.3 Uyum ölçüleri ve bant seçim ölçütleri
- \nu_1+1: etkin parametre sayısı artı \sigma^2.
- AICc, Hurvich, Simonoff ve Tsai (1998) düzeltmesidir; \text{AICc}=n\ln\hat\sigma^2_{ML}+n\ln(2\pi)+n(n+\nu_1)/(n-2-\nu_1) biçimiyle özdeştir (GWmodel bu biçimi kullanır).
- CV: birini dışarıda bırakma artıklarının kareler ortalaması; doğrusal düzleyicide yeniden uydurma gerektirmez (s_{ii}: şapka matrisinin köşegeni).
- n-2\nu_1+\nu_2=\operatorname{tr}[(\mathbf I-\mathbf S)^{\top}(\mathbf I-\mathbf S)]: artıkların serbestlik derecesi (Fotheringham, Brunsdon ve Charlton, 2002, denk. 2.16–2.18; GWR4 ve GWmodel tanımı).
- \hat\sigma^2 ve \bar R^2 bu tanımla; ENP ve ölçütler \nu_1 ile kalır (
508–518).
Koddaki tercih: \sigma^2 paydası
mgwr varsayılanı \hat\sigma^2=\text{ATK}/(n-\nu_1)'dir. MerQur bunu GWR4/GWmodel tanımına çevirir ve yerel SH'leri \sqrt{\hat\sigma^2_{\text{GWR4}}/\hat\sigma^2_{\text{mgwr}}} oranıyla ölçekler (515–522). Çıktı notu tanımı yazar. GWmodel ise ENP'yi 2\nu_1-\nu_2 olarak raporlar ve AIC/BIC'i buna göre verir; MerQur'da ENP =\nu_1'dir (mgwr). AICc iki yazılımda aynıdır.
119.5.4 Bant genişliği seçimi
Bant, seçilen ölçütü (varsayılan AICc) en küçükleyen değerdir. Arama aralığı (_bw_bounds, 623–638):
- Uyarlanır: [p+2,\ n] komşu.
- Sabit: üst sınır, noktalar arası en büyük uzaklığın iki katı. Kompakt çekirdeklerde (bisquare, tricube, boxcar) alt sınır, her noktanın (p+1). en yakın komşusuna uzaklığının en büyüğüdür: bu banttan küçükte bir noktanın yerel regresyonuna p+1'den az gözlem girer ve \mathbf X^{\top}\mathbf W_i\mathbf X tekilleşir. Gauss ve üstel çekirdek her gözleme pozitif ağırlık verdiğinden tekillik sorunu yoktur; bu çekirdeklerde alt sınır en küçük komşu uzaklığı düzeyine kadar iner.
Arama yöntemi (_search_bw, 668–758):
- Kaba tam ızgara. Uyarlanırda adımı \lceil(n-p-2)/40\rceil olan tam sayı ızgarası (uçlar dahil); sabitte alt ve üst sınır arasında 40 noktalı geometrik ızgara.
- Rafine. En iyi üç ızgara noktasının iki yanındaki aralıkta: uyarlanırda aralıktaki her tam sayı; sabitte altın oran araması (ölçüt farkı <10^{-6}).
- Tüm denenen bantlar arasında en küçük ölçüt seçilir; tekil yerel tasarım veren bantta ölçüt +\infty sayılır.
Neden yalnız altın oran araması değil?
Ölçüt eğrisi tek tepeli değildir; özellikle uyarlanır bantta küçük dalgalanmalar ve düz bölgeler vardır. Altın oran araması yerel bir çukurda kalabilir. Tam ızgara global en iyiye yaklaşır, rafine adımı onu kesinleştirir. Tıp verisinde AICc 35–43 komşu arasında 0,2 birimlik bir düzlüktür (Şekil 119.1); en küçük değer 43'tedir. GWmodel bw.gwr altın oran araması da bu veride 43'ü bulur.
119.5.5 Yerel standart hata, t ve yerel R^2
- \mathbf C_i\mathbf C_i^{\top}\sigma^2: \hat{\boldsymbol\beta}(i)=\mathbf C_i\mathbf y'nin kovaryansı (\operatorname{Var}\mathbf y=\sigma^2\mathbf I varsayımıyla).
- \hat\sigma^2: 119.5.3'teki GWR4 tanımı.
- R^2_i: harita ve dağılımdaki yerel R^2 (FBC 2002, denk. 9.8; mgwr
localR2). \hat y_j GWR kestirimleridir. - İkinci tanım ("Yerel R² (yerel uyum)" sütunu): \hat y_j yerine \mathbf x_j^{\top}\hat{\boldsymbol\beta}(i); i. noktanın kendi ağırlıklı regresyonunun belirleme katsayısı (
_local_fit_r2,1144–1163). - GWmodel
Local_R2paydada küresel \bar y kullanır; değerleri farklıdır.
119.5.6 Çoklu test düzeltmeli kritik t
n konumda p katsayının her biri için t testi yapılır; bunlar bağımsız değildir ama sayıları fazladır. da Silva ve Fotheringham (2016) etkin test sayısını ENP ile ölçer:
- \alpha=0{,}05; ENP =\nu_1; serbestlik derecesi n-1 (mgwr
critical_tval). - "% anl.": \lvert t_j(i)\rvert>t_{\text{kr}} olan konumların yüzdesi. Düzeltmesiz \lvert t\rvert>1{,}96 oranları yalnız bilgi olarak ayrı satırda.
- MGWR'de değişken başına \alpha_j=\alpha/\text{ENP}_j (
925–926).
119.5.7 GWR'nin OLS'ye üstünlüğü ve katsayı değişkenliği testleri
OLS kıyası. \text{AICc}_{\text{OLS}}=-2\hat\ell_{\text{OLS}}+2n(p+1)/(n-p-2); fark 3'ten büyükse GWR tercih edilir (çıktı kuralı).
Leung, Mei ve Zhang (2000) testleri (n\le3000; _leung_tests, 1174–1210). \mathbf R_0=\mathbf I-\mathbf H (OLS), \mathbf R_1=(\mathbf I-\mathbf S)^{\top}(\mathbf I-\mathbf S) (GWR), \delta_i=\operatorname{tr}(\mathbf R_1^i):
- \text{ATK}_G, \text{ATK}_O: GWR ve OLS artık kareler toplamları; \mathbf H OLS şapka matrisi.
- F_1: küçük değer GWR'nin daha iyi olduğunu gösterir; p alt kuyruktan.
- F_2: GWR'nin OLS'ye göre ATK'yi anlamlı düşürüp düşürmediği; üst kuyruk.
- \hat{\boldsymbol\beta}_k: k. katsayının n konumdaki değerleri; V_k^2 bunların örneklem varyansı. \mathbf B_k: i. satırı \mathbf C_i'nin k. satırı olan n\times n matris (\hat{\boldsymbol\beta}_k=\mathbf B_k\mathbf y). \mathbf J: birlerden oluşan matris.
- F_3(k): H_0: k. katsayı mekânda sabit. Serbestlik dereceleri Satterthwaite yaklaşımıdır (\chi^2 ile eşleştirilmiş iki moment).
GWmodel F testlerinin serbestlik dereceleri farklı
GWmodel 2.4.1 gwr.basic(F123.test = TRUE) içinde \delta_2 sıfır alınır (F1234.test: delta2 <- 0); F_1'in pay serbestlik derecesi sonsuz, F_2'ninki negatif çıkar ve p hesaplanamaz. F istatistiklerinin kendisi MerQur ile aynıdır. Tıp verisinde socioeconomic F_3'ün p'si GWmodel'de 0,0008, Leung tanımıyla 0,121'dir. MerQur Leung ve ark. (2000) tanımını uygular (119.6.1'de R içinde formülden kurulan testle eşleşir).
Monte Carlo katsayı değişkenliği testi (isteğe bağlı; _mc_variability, 761–795). Gözlenen yerel katsayıların konumlar arası SS'si s_k hesaplanır. Koordinatlar N kez rastgele permütlenir; her permütasyonda bant aynı ölçüt ve aralıkla yeniden seçilir (elle bant verildiyse o kullanılır), GWR yeniden kurulur ve s_k^{(r)} kaydedilir:
- Phipson ve Smyth (2010) tanımı; gözlenen düzen de bir permütasyon sayılır, p hiçbir zaman 0 olmaz.
- Permütasyonlar
RandomState(tohum).permutationile; aynı tohum aynı p'leri verir. - GWmodel
gwr.montecarlobandı sabit tutar; bu tasarım farkı nedeniyle p'ler ayrışabilir (çıktı notu).
Artık Moran's I. GWR artıklarında, k=8 en yakın komşulu satır standart \mathbf W ile, normallik varsayımlı Moran's I (formül 117.5.7, ham değişken biçimi). Komşuluk, modeldeki uzaklık türüyle (coğrafi koordinatta büyük çember) kurulur.
Yerel çoklu doğrusallık. i. noktada \tilde w_{ij}=w_{ij}/\sum_l w_{il} ile: yerel VIF, sabit dışı açıklayıcıların \tilde w ağırlıklı korelasyon matrisinin tersinin köşegeni; yerel koşul sayısı (CN), \tilde{\mathbf W}_i\mathbf X'in (sabit dahil) sütunları birim uzunluğa ölçeklenince en büyük ve en küçük tekil değerinin oranı (mgwr local_collinearity; Wheeler, 2007). İkinci CN tanımı \tilde{\mathbf W}_i^{1/2}\mathbf X ile. Kural: VIF >10 ya da CN >30 olan konumlarda yerel katsayılar güvenilmez (Wheeler & Tiefelsdorf, 2005).
119.5.8 MGWR
Her katsayı kendi bandı bw_j ile yumuşatılır (Fotheringham, Yang ve Kang, 2017). Kestirim geri uydurma (backfitting) ile: başlangıç bandı tüm modelin GWR bandıdır; her adımda j. değişkenin kısmi artığına (y eksi öteki terimler) sabitsiz tek değişkenli GWR kurulur ve bandı aynı ızgara + rafine yöntemiyle seçilir (_grid_mgwr_selector, 1057–1103). Geri uydurma, ardışık yinelemelerde yerel terimlerin (x_j\hat\beta_j) göreli değişimi (SOC, mgwr varsayılanı) 10^{-5}'in altına inince ya da 200 yinelemede durur; çıktı yakınsamayı yazar. Uyum ölçüleri değişken başına ENP_j ile; \sigma^2 ve düzeltilmiş R^2 mgwr tanımıyla (\text{ATK}/(n-\nu_1)). n>2000'de geri uydurma mgwr altın oran aramasıyla yapılır. MGWR'de Leung testleri ve Monte Carlo testi yoktur. Bu bölümün sayısal doğrulaması GWR ile sınırlıdır; GWmodel gwr.multiscale farklı bir geri uydurma ve arama düzeni kullandığından MGWR karşılaştırması ayrı bir çalışmadır.
119.6 Elle hesap: Tıp verisinde sayısal yürüyüş
Ara değerler dogrulama/spatial_gwr/elle_hesap.py ile, MerQur ve mgwr çağrılmadan numpy ile hesaplanmıştır: haversine uzaklık matrisi, ağırlıklar, her nokta için \mathbf C_i, şapka matrisi ve tüm ölçütler açıkça.
Adım 1 — OLS. \mathbf b=(383{,}2450;\ -3{,}004915;\ 5{,}142596), ATK_O=366462{,}30, R^2=0{,}629651, AIC =1212{,}3952, AICc =1212{,}7762.
Adım 2 — Bant araması. Uyarlanır aralık [5;\ 110]. Tüm tam sayı bantlarda AICc hesaplanmıştır; en küçük beş değer: 43 (1163,6386), 41 (1163,7116), 42 (1163,7576), 40 (1163,7719), 35 (1163,8177). CV ölçütünde en küçük değer 20 komşudadır (CV =2015{,}365).
Şekil 119.1. Solda uyarlanır bisquare bantta AICc (mor) ve CV (gri kesikli) eğrileri; AICc 35–43 komşu arasında düzdür ve en küçük değeri 43'tedir; noktalı çizgi OLS AICc'si. Sağda bant 43'te socioeconomic için yerel katsayıların haritası: etki kuzeyde daha güçlü negatiftir (koyu; enlem 40'ın kuzeyinde ortalama −3,51), güneye doğru zayıflar (enlem 38'in güneyinde −2,53); yerel katsayının enlemle korelasyonu −0,83, boylamla 0,02'dir.
Adım 3 — Tek bir noktada yerel regresyon. 1. il (u=31{,}3475, v=39{,}3442). Kendisi dahil 43. en yakın komşuya uzaklık \times1{,}0000001: b_1=300{,}2224 km. En yakın beş komşu ve ağırlıkları:
| Uzaklık (km) | 0 | 52,00 | 68,37 | 77,10 | 86,85 | 123,66 |
|---|---|---|---|---|---|---|
| w_{1j}=(1-(d/b_1)^2)^2 | 1 | 0,94090 | 0,89898 | 0,87246 | 0,83963 | 0,68947 |
Örnek: (52{,}00/300{,}2224)^2=0{,}03000, (1-0{,}03000)^2=0{,}94090.
\hat{\boldsymbol\beta}(1)=(354{,}5212;\ -3{,}035084;\ 5{,}787128); \hat y_1=435{,}3215 (y_1=502{,}1); s_{11}=0{,}108763. Yerel SH =(67{,}1162;\ 0{,}440148;\ 1{,}397617); yerel R^2_1=0{,}88484, yerel uyum R^2=0{,}85843.
Adım 4 — Küresel uyum. Bant 43'te ATK_G=159423{,}14, \nu_1=19{,}4476, \nu_2=13{,}4449; artık serbestlik derecesi 110-2(19{,}4476)+13{,}4449=84{,}5497.
AIC =1153{,}7337, BIC =1208{,}9521; R^2=0{,}838886; \bar R^2=1-0{,}161114\times109/83{,}5497=0{,}789809; \hat\sigma^2=159423{,}14/84{,}5497=1885{,}556.
Adım 5 — Kritik t ve yerel katsayı özeti. \alpha_{\text{düz}}=0{,}05\times3/19{,}4476=0{,}007713; t_{\text{kr}}=t_{0{,}99614;\,109}=2{,}714745.
| Değişken | En küçük | Q25 | Medyan | Q75 | En büyük | % anl. |
|---|---|---|---|---|---|---|
| Sabit | 347,890 | 366,305 | 378,436 | 414,893 | 469,878 | %100 |
socioeconomic |
−3,8826 | −3,4277 | −3,0477 | −2,5422 | −2,1777 | %100 |
age_mean |
3,2250 | 4,6219 | 5,1433 | 5,4525 | 6,2069 | %100 |
Sosyoekonomik etki her ilde negatif ve anlamlıdır; büyüklüğü -3{,}9 ile -2{,}2 arasında değişir. OLS'deki tek katsayı (-3{,}005) medyana yakındır.
Adım 6 — Testler. \delta_1=84{,}5497, \delta_1^2/\delta_2=91{,}375.
| Test | İstatistik | sd | p |
|---|---|---|---|
| Leung F_1 | 0,5505 | 91,38; 107 | 0,0018 (alt kuyruk) |
| Leung F_2 | 2,6927 | 31,24; 107 | 8{,}6\times10^{-5} |
| F_3 Sabit | 0,4982 | 6,34; 91,38 | 0,817 |
| F_3 socioeconomic | 1,7091 | 6,56; 91,38 | 0,121 |
| F_3 age_mean | 0,4999 | 6,36; 91,38 | 0,817 |
| Monte Carlo (99 perm.) Sabit / socio / age | — | — | 0,19 / 0,03 / 0,15 |
GWR, OLS'den belirgin biçimde iyidir (AICc farkı 49,1; F_2 anlamlı). Ama katsayı başına testler zayıftır: F_3 hiçbir katsayıda %5'te anlamlı değildir; Monte Carlo testi yalnız socioeconomic katsayısının mekânsal olarak değiştiğini gösterir (p=0{,}03). Aynı tohumla ikinci çalıştırma aynı p'leri vermiştir.
Adım 7 — Artık bağımlılığı ve çoklu doğrusallık. Büyük çember k=8 komşulukla GWR artıklarında Moran's I =0{,}093671, E[I]=-1/109, z=2{,}356, p=0{,}0185: hafif bir kalan bağımlılık vardır. Yerel VIF medyanı 1,008 (en büyük 1,086); yerel CN medyanı 13,87 (en büyük 19,03). Çoklu doğrusallık sorunu yoktur.
Adım 8 — Öteki seçenekler. CV ölçütüyle bant 20: ENP =38{,}22, R^2=0{,}9071, AICc =1175{,}86 (AICc'ye göre daha karmaşık, daha kötü). Elle bant 60: AICc =1167{,}53. Sabit Gauss çekirdekte AICc ile seçilen bant 138,008 km'dir (AICc =1153{,}876; GWmodel bw.gwr 138,057 km); bu bantta ENP =23{,}40. AICc eğrisi tepe çevresinde düzdür: bağımsız Python ızgarasının en küçüğü 137,59 km'de aynı AICc'yi (1153,877) verir.
119.6.1 Doğrulama: MerQur, Python ve R
MerQur değerleri GWRResult alanlarından tam hassasiyetle alınmıştır. Python: dogrulama/spatial_gwr/elle_hesap.py. R 4.5.3: GWmodel 2.4.1 (gwr.basic, gwr.aic, gwr.cv, bw.gwr, gwr.collin.diagno), haversine (R=6371 km) uzaklık matrisi dMat olarak verilmiştir (GWmodel longlat = TRUE elipsoit uzaklığı kullanır). GWmodel'in ENP/AIC/BIC tanımı, Local_R2 ve F serbestlik dereceleri farklı olduğundan bu büyüklükler R içinde gw.weight ağırlıklarıyla formülden hesaplanmıştır. Sabit Gauss satırları, 138,017 km bandın elle verildiği çalıştırmadandır (seçilen banttan farkı AICc'de 10^{-6} düzeyindedir).
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| Seçilen bant (AICc, komşu) | 43 | 43 | 43 | 0,0e+00 | ✓ |
| Seçilen bant (CV, komşu) | 20 | 20 | 20 | 0,0e+00 | ✓ |
| AICc | 1163,638647 | 1163,638647 | 1163,638646 | 8,6e−07 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| AIC (k=\mathrm{tr}\,S) | 1153,733732 | 1153,733732 | 1153,733727 | 4,1e−06 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| BIC | 1208,952077 | 1208,952077 | 1208,952081 | 4,2e−06 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| R^2 | 0,838886 | 0,838886 | 0,838886 | 1,5e−08 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Düzeltilmiş R^2 | 0,789809 | 0,789809 | 0,789809 | 1,0e−08 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| ENP = tr(S) | 19,447601 | 19,447601 | 19,447604 | 3,1e−06 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| \hat\sigma^2 | 1885,556248 | 1885,556248 | 1885,556157 | 9,1e−05 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Yerel \beta Sabit, medyan | 378,435761 | 378,435761 | 378,435770 | 8,1e−06 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Yerel SH Sabit, 1. nokta | 67,116179 | 67,116179 | 67,116185 | 6,2e−06 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Yerel \beta socioeconomic, medyan | −3,047730 | −3,047730 | −3,047730 | 1,9e−08 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Yerel SH socioeconomic, 1. nokta | 0,440148 | 0,440148 | 0,440148 | 2,8e−08 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Yerel \beta age_mean, medyan | 5,143295 | 5,143295 | 5,143295 | 1,7e−07 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Yerel SH age_mean, 1. nokta | 1,397617 | 1,397617 | 1,397617 | 1,0e−07 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Yerel R^2 medyanı | 0,826804 | 0,826804 | 0,826804 | 1,9e−09 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Düzeltilmiş \alpha | 0,007713 | 0,007713 | — | 2,6e−18 | ✓ |
| Kritik \lvert t\rvert | 2,714745 | 2,714745 | — | 0,0e+00 | ✓ |
| OLS AICc | 1212,776190 | 1212,776190 | 1212,776190 | 1,4e−12 | ✓ |
| OLS RSS | 366462,295739 | 366462,295739 | 366462,295739 | 6,4e−10 | ✓ |
Leung testleri, artık Moran's I, yerel çoklu doğrusallık, CV ve elle bant, sabit Gauss:
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| Leung F_1 | 0,550546 | 0,550546 | 0,550546 | 2,6e−08 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| F_1 pay sd | 91,375441 | 91,375441 | 91,375438 | 3,0e−06 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| F_1 p (alt kuyruk) | 0,001828 | 0,001828 | 0,001828 | 1,2e−09 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Leung F_2 | 2,692676 | 2,692676 | 2,692675 | 2,6e−07 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| F_2 pay sd | 31,238613 | 31,238613 | 31,238618 | 4,5e−06 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| F_2 p | 8,6444·10−5 | 8,6444·10−5 | 8,6444·10−5 | 7,8e−11 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| F_3 Sabit | 0,498158 | 0,498158 | 0,498158 | 6,9e−08 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| F_3 Sabit pay sd | 6,335688 | 6,335688 | 6,335689 | 1,2e−06 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| F_3 Sabit p | 0,817343 | 0,817343 | 0,817343 | 2,0e−08 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| F_3 socioeconomic | 1,709062 | 1,709062 | 1,709062 | 1,9e−07 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| F_3 socioeconomic pay sd | 6,563975 | 6,563975 | 6,563976 | 1,2e−06 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| F_3 socioeconomic p | 0,121253 | 0,121253 | 0,121253 | 3,2e−08 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| F_3 age_mean | 0,499915 | 0,499915 | 0,499916 | 8,3e−08 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| F_3 age_mean pay sd | 6,364519 | 6,364519 | 6,364520 | 1,2e−06 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| F_3 age_mean p | 0,816790 | 0,816790 | 0,816790 | 3,1e−08 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Artık Moran I (k = 8, büyük çember) | — | 0,093671 | 0,093671 | 3,3e−08 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Artık Moran z (büyük çember) | — | 2,356244 | 2,356243 | 7,5e−07 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Yerel CN medyanı | 13,869510 | 13,869510 | 13,869510 | 2,5e−07 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Yerel VIF medyanı (socioeconomic) | 1,008269 | 1,008269 | 1,008269 | 5,2e−09 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| CV (bant 20): AICc | 1175,862664 | 1175,862664 | 1175,862674 | 1,0e−05 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| CV (bant 20): AIC (k=\mathrm{tr}\,S) | 1130,661256 | 1130,661256 | 1130,661251 | 4,9e−06 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| CV (bant 20): BIC | 1236,564799 | 1236,564799 | 1236,564808 | 9,2e−06 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| CV (bant 20): R^2 | 0,907139 | 0,907139 | 0,907139 | 1,3e−08 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| CV (bant 20): Düzeltilmiş R^2 | 0,834513 | 0,834513 | 0,834513 | 6,8e−09 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| CV (bant 20): ENP = tr(S) | 38,216557 | 38,216557 | 38,216563 | 5,2e−06 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| CV (bant 20): \hat\sigma^2 | 1478,128050 | 1478,128050 | 1478,127986 | 6,3e−05 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| CV (bant 20): Yerel \beta Sabit, medyan | 393,016179 | 393,016179 | 393,016186 | 6,9e−06 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| CV (bant 20): Yerel SH Sabit, 1. nokta | 80,949220 | 80,949220 | 80,949221 | 1,3e−06 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| CV (bant 20): Yerel \beta socioeconomic, medyan | −2,956373 | −2,956373 | −2,956373 | 5,8e−08 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| CV (bant 20): Yerel SH socioeconomic, 1. nokta | 0,549343 | 0,549343 | 0,549343 | 3,6e−08 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| CV (bant 20): Yerel \beta age_mean, medyan | 4,681332 | 4,681332 | 4,681331 | 1,0e−07 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| CV (bant 20): Yerel SH age_mean, 1. nokta | 1,678503 | 1,678503 | 1,678503 | 8,1e−08 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| CV (bant 20): Yerel R^2 medyanı | 0,875522 | 0,875522 | 0,875522 | 1,9e−08 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Elle bant 60: AICc | 1167,531817 | 1167,531817 | 1167,531814 | 2,6e−06 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Elle bant 60: AIC (k=\mathrm{tr}\,S) | 1162,711391 | 1162,711391 | 1162,711387 | 4,1e−06 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Elle bant 60: BIC | 1202,118865 | 1202,118865 | 1202,118867 | 1,7e−06 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Elle bant 60: R^2 | 0,805549 | 0,805549 | 0,805549 | 1,5e−08 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Elle bant 60: Düzeltilmiş R^2 | 0,767121 | 0,767121 | 0,767121 | 1,0e−08 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Elle bant 60: ENP = tr(S) | 13,592765 | 13,592765 | 13,592767 | 2,1e−06 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Elle bant 60: \hat\sigma^2 | 2091,110141 | 2091,110141 | 2091,110046 | 9,5e−05 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Elle bant 60: Yerel \beta Sabit, medyan | 377,676343 | 377,676343 | 377,676342 | 1,5e−06 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Elle bant 60: Yerel SH Sabit, 1. nokta | 51,740124 | 51,740124 | 51,740131 | 6,5e−06 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Elle bant 60: Yerel \beta socioeconomic, medyan | −3,067462 | −3,067462 | −3,067462 | 3,1e−08 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Elle bant 60: Yerel SH socioeconomic, 1. nokta | 0,382301 | 0,382301 | 0,382301 | 2,3e−08 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Elle bant 60: Yerel \beta age_mean, medyan | 5,241402 | 5,241402 | 5,241402 | 3,0e−08 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Elle bant 60: Yerel SH age_mean, 1. nokta | 1,141968 | 1,141968 | 1,141968 | 1,0e−07 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Elle bant 60: Yerel R^2 medyanı | 0,803651 | 0,803651 | 0,803651 | 1,1e−08 | ✓ (uyarlanır; R göreli 10⁻⁵) |
| Gauss sabit: AICc'yi en küçükleyen bant (km) | — | 138,017251 | 138,057098 | 4,0e−02 | ✓ (R altın oran durma ölçütü; göreli 10⁻³) |
| Gauss 138,017 km: AICc | 1153,876462 | 1153,876462 | 1153,876462 | 1,1e−11 | ✓ |
| Gauss 138,017 km: AIC (k=\mathrm{tr}\,S) | 1139,231445 | 1139,231445 | 1139,231445 | 3,6e−12 | ✓ |
| Gauss 138,017 km: BIC | 1205,110127 | 1205,110127 | 1205,110127 | 2,5e−12 | ✓ |
| Gauss 138,017 km: R^2 | 0,868567 | 0,868567 | 0,868567 | 1,2e−14 | ✓ |
| Gauss 138,017 km: Düzeltilmiş R^2 | 0,814429 | 0,814429 | 0,814429 | 1,7e−14 | ✓ |
| Gauss 138,017 km: ENP = tr(S) | 23,395171 | 23,395171 | 23,395171 | 1,8e−14 | ✓ |
| Gauss 138,017 km: \hat\sigma^2 | 1663,079441 | 1663,079441 | 1663,079441 | 9,5e−12 | ✓ |
| Gauss 138,017 km: Yerel \beta Sabit, medyan | 383,565135 | 383,565135 | 383,565135 | 5,7e−12 | ✓ |
| Gauss 138,017 km: Yerel SH Sabit, 1. nokta | 48,211129 | 48,211129 | 48,211129 | 4,9e−12 | ✓ |
| Gauss 138,017 km: Yerel \beta socioeconomic, medyan | −2,952109 | −2,952109 | −2,952109 | 1,1e−13 | ✓ |
| Gauss 138,017 km: Yerel SH socioeconomic, 1. nokta | 0,350756 | 0,350756 | 0,350756 | 2,2e−14 | ✓ |
| Gauss 138,017 km: Yerel \beta age_mean, medyan | 4,996395 | 4,996395 | 4,996395 | 2,2e−13 | ✓ |
| Gauss 138,017 km: Yerel SH age_mean, 1. nokta | 1,047222 | 1,047222 | 1,047222 | 1,1e−13 | ✓ |
| Gauss 138,017 km: Yerel R^2 medyanı | 0,848332 | 0,848332 | 0,848332 | 6,7e−16 | ✓ |
| Gauss: Leung F_2 | 2,396816 | 2,396816 | 2,396816 | 8,0e−15 | ✓ |
| Gauss: F_2 p | 0,000160 | 0,000160 | 0,000160 | 9,2e−18 | ✓ |
84 büyüklüğün tamamı ölçütü karşılar. MerQur ile bağımsız Python arasındaki fark 10^{-10}'dan küçüktür. Uyarlanır bantta R ile göreli fark 10^{-7} düzeyindedir: mgwr bant uzaklığını 1{,}0000001 ile çarpar, GWmodel çarpmaz; bu, ağırlıklarda 4\times10^{-7} göreli değişim yaratır. Bu satırlarda R sütununa göreli 10^{-5} tolerans uygulanmıştır. Sabit Gauss bantta (çarpan yok) üç kaynak 10^{-11} düzeyinde örtüşür. Monte Carlo p'leri rastgele permütasyona dayandığından üç yönlü karşılaştırılmamış; aynı tohumla tekrarlanabilirlik gösterilmiştir.
119.7 Çıktıyı okuma
Sonuç metni (varsayılan ayarlar, MC testi açık; kısaltılmış):
GWR — Coğrafi Ağırlıklı Regresyon
Bant genişliği türü: uyarlanır (çift kare (bisquare) çekirdek)
En uygun bant genişliği: 43.0000 (k komşu)
Uzaklık : büyük çember (enlem/boylam derece → km, haversine)
Gözlem sayısı : N = 110
Model uyumu:
R² = 0.8389
Düzeltilmiş R² = 0.7898
AICc = 1163.64
AIC = 1153.73
BIC = 1208.95
ENP (etkin parametre sayısı) = 19.45
σ² = 1885.5562
Değişken en küçük Q25 medyan Q75 en büyük % anl.
Sabit terim 347.8896 366.3045 378.4358 414.8927 469.8777 %100.0
socioeconomic -3.8826 -3.4277 -3.0477 -2.5422 -2.1777 %100.0
age_mean 3.2250 4.6219 5.1433 5.4525 6.2069 %100.0
% anl. = |t| > 2.715 olan gözlem yüzdesi — çoklu test düzeltmeli kritik t (...)
─── Küresel OLS ile karşılaştırma ───
OLS: R² = 0.6297, AICc = 1212.78, AIC = 1212.40, RSS = 366462
GWR: R² = 0.8389, AICc = 1163.64, AIC = 1153.73, RSS = 159423
ΔAICc (OLS − GWR) = 49.14 (> 3 ise GWR tercih edilir)
Leung F1 = 0.5505 (df = 91.38, 107; p = 0.001828, alt kuyruk; küçük F1 → GWR daha iyi)
Leung F2 = 2.6927 (df = 31.24, 107; p = 8.644e-05)
socioeconomic F3 = 1.7091 (df = 6.56, 91.38; p = 0.1213)
─── Yerel çoklu doğrusallık ───
socioeconomic yerel VIF medyan = 1.008, max = 1.086, VIF > 10: %0.0
Yerel koşul sayısı (CN): medyan = 13.870, max = 19.031, CN > 30: %0.0
─── Yerel katsayı değişkenliği Monte Carlo testi (99 permütasyon) ───
Sabit terim p = 0.1900
socioeconomic p = 0.0300
age_mean p = 0.1500
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| En uygun bant | Uyarlanırda komşu sayısı, sabitte uzaklık (km ya da koordinat birimi); elle verildiyse işaretli. | Küçük bant: yerel, oynak yüzey; büyük bant: OLS'ye yakın. |
| R², düz. R², AICc, AIC, BIC, ENP, σ² | 119.5.3 tanımları. | AICc modeller arası karşılaştırma içindir. |
| Yerel katsayı özetleri | Beş sayılık özet ve düzeltilmiş "% anl.". | Değişim aralığı ve yönü; harita Grafik sekmesinde. |
| OLS kıyası, ΔAICc | Aynı veride OLS. | ΔAICc > 3: GWR tercih edilir. |
| Leung F1, F2, F3 | 119.5.7. | F2 anlamlı: GWR OLS'den iyi; F3 anlamlı: o katsayı değişken. |
| GWR artıkları Moran's I | Kalan bağımlılık. | Anlamlıysa bağımlılık modellenmemiştir (SAR/SEM düşünülür). |
| Yerel çoklu doğrusallık | VIF ve CN özetleri. | VIF > 10 ya da CN > 30 olan konumlarda yerel katsayıya güvenilmez. |
| Monte Carlo testi | Katsayı başına p. | p<\alpha: katsayı mekânsal olarak değişkendir. |
| Notlar | Bant sınırda, doymuş bant, AIC/BIC yozlaşması, küçük n, düşük düz. R², az anlamlı nokta (düzeltilmiş kritik t'ye göre). | 119.2'deki koşullarda. |
APA biçiminde rapor cümlesi (Türkçe ondalıkla). MerQur'un APA satırı seçilen ölçütü (AICc, AIC, BIC ya da CV; ya da elle verilen bant), küresel R^2'yi ve en çok konumda anlamlı olan açıklayıcıyı yazar.
Sosyoekonomik düzey ve yaş ortalamasının vaka oranıyla ilişkisinin mekânsal değişimini incelemek için coğrafi ağırlıklı regresyon uygulandı (N=110; uyarlanır bisquare çekirdek; büyük çember uzaklık; AICc ile seçilen bant 43 komşu). GWR küresel OLS'den daha iyi uyum sağladı (AICc 1163,6 ve 1212,8; Leung F_2=2{,}69, p<0{,}001; küresel R^2=0{,}84, düzeltilmiş R^2=0{,}79). Sosyoekonomik endeksin yerel katsayıları tüm illerde negatif ve çoklu test düzeltmeli ölçütle anlamlıydı (medyan -3{,}05; çeyrekler arası [-3{,}43;\ -2{,}54]); Monte Carlo testi bu katsayının mekânsal olarak değiştiğini gösterdi (p=0{,}03; 99 permütasyon), yaş ortalaması için değişkenlik anlamlı değildi (p=0{,}15).
119.8 Uzman soruları
S1. Neden AICc, CV değil?
CV birini dışarıda bırakma hatasını en küçükler ve küçük bantlara yatkındır (Tıp verisinde 20 komşu, ENP 38); AICc ise \nu_1 arttıkça artan cezası ile karmaşıklığı denetler (43 komşu, ENP 19). Hurvich ve ark. (1998) düzleyicilerde AICc'nin hem yanlılık hem varyans bakımından daha kararlı bant seçtiğini gösterir. AIC ve BIC küçük bantta -\infty'a gidebilir; MerQur bunun için yozlaşma notu basar.
S2. Uyarlanır bantta b komşu sayısı kendisini de içeriyor mu?
Evet. b_i, kendisi (uzaklık 0) dahil b. en yakın gözleme uzaklığıdır (mgwr ve GWmodel aynı). mgwr bunu 1{,}0000001 ile çarpar: bisquare'de b. gözlem \approx4\times10^{-14} ağırlık alır. GWmodel'de bu gözlemin ağırlığı tam 0'dır; fark sonuçlarda 10^{-7} göreli düzeyde kalır.
S3. Yerel t'lerde neden 1,96 kullanılmıyor?
n\times p test yapılır; \lvert t\rvert>1{,}96 ile anlamlı konum oranı şişer. Yerel katsayılar komşu konumlarda güçlü biçimde ilişkili olduğundan Bonferroni (\alpha/np) aşırı tutucudur. da Silva ve Fotheringham (2016) etkin bağımsız test sayısını ENP/p ile yaklaşık alır; Tıp verisinde eşik 2,715'tir.
S4. GWR artıklarında Moran's I anlamlıysa ne yapılmalı?
GWR heterojenliği modeller, bağımlılığı modellemez; iki olgu birbirine karışabilir (bağımlılık yerel katsayılarda sahte değişkenlik yaratabilir). Kalan bağımlılık zayıfsa (Tıp verisinde z=2{,}36) yorum temkinli yapılır; güçlüyse SAR/SEM ya da mekânsal etkiyi de içeren karma bir yaklaşım gerekir. Komşuluk, model uzaklığıyla tutarlı olmalıdır: coğrafi koordinatta derece üzerinden Öklid k-NN, Tıp verisinde 110 noktanın 69'unda farklı komşu kümesi verir.
S5. Sabit Gauss çekirdekte neden en küçük komşu uzaklığına kadar inilebilir?
Gauss ağırlığı hiçbir uzaklıkta sıfır olmaz; \mathbf X^{\top}\mathbf W_i\mathbf X, \mathbf X tam ranklı oldukça tekilleşmez. Kompakt çekirdeklerde gereken "her noktada en az p+1 gözlem" sınırı burada AICc'nin gerçek en küçüğünü dışarıda bırakabilir: Tıp verisinde bu sınır 227,9 km, gerçek en iyi bant 138,0 km'dir (AICc farkı 16,6).
S6. GWmodel ile ENP neden farklı?
GWmodel ENP'yi 2\nu_1-\nu_2 olarak verir (Tıp verisinde 25,45); mgwr ve MerQur \nu_1 kullanır (19,45). İki tanım da FBC (2002)'de geçer. AICc her ikisinde \nu_1 ile kurulduğundan aynıdır; AIC ve BIC farklıdır. Düzeltilmiş R^2 ve \hat\sigma^2 ise MerQur'da GWmodel ile aynı tanımdadır (n-2\nu_1+\nu_2).
S7. Monte Carlo testi neden her permütasyonda bandı yeniden seçiyor?
Bant gözlenen veride en iyi uyum için seçilmiştir; permütasyonlarda sabit tutulursa gözlenen SS'ye avantaj sağlanır. Yeniden seçim, testin bant seçiminin belirsizliğini de içermesini sağlar (mgwr spatial_variability ile aynı). GWmodel gwr.montecarlo bandı sabit tutar; p'ler bu nedenle ayrışabilir.
S8. F_3 ve Monte Carlo testi neden farklı sonuç veriyor (socioeconomic: 0,121 ve 0,03)?
İkisi farklı sıfır dağılımlarına dayanır. F_3, \hat{\boldsymbol\beta}_k'nın varyansını Satterthwaite yaklaşımlı bir F dağılımıyla karşılaştırır ve bant sabittir. Monte Carlo testi konum–veri eşleşmesini bozarak gözlenen SS'yi ampirik dağılımla karşılaştırır. Sınırda bir etkide ikisinin ayrışması olağandır; N=99 permütasyonla en küçük p 0,01'dir, sonuç tekrarlanabilir olsa da daha çok permütasyonla denetlenmelidir.
S9. Uzaklık neden küre üzerinde, elipsoitte değil?
mgwr küre yarıçapı 6371 km'yi kullanır. WGS84 elipsoidine göre fark en çok %0,5 düzeyindedir; uyarlanır bantta komşu sıralaması nadiren değişir, sabit bantta km değeri biraz farklı olur. GWmodel longlat = TRUE elipsoit uzaklığıyla çalışır; birebir karşılaştırma için aynı uzaklık matrisi verilmelidir (dMat).
119.9 Sık hatalar ve tuzaklar
- Yerel katsayı haritasını "her il için ayrı etki kestirimi" diye sunmak. Yerel katsayılar yumuşatılmış bir yüzeydir, komşu konumlarla ortak veri kullanır; her biri bağımsız bir kestirim değildir.
- Düzeltmesiz \lvert t\rvert>1{,}96 oranlarını raporlamak. Bu oranlar çoklu test nedeniyle şişkindir; "% anl." sütunu düzeltilmiş eşiği kullanır.
- Bant sınırda notunu atlamak. Seçilen bant arama aralığının ucundaysa ölçüt aralık içinde en küçük değerine ulaşmamış olabilir; elle bant ya da arama sınırlarıyla denenmelidir.
- Projeksiyonlu koordinatı coğrafi sanmak. UTM metrelerinde "Coğrafi" seçilirse hata verilir; adı nötr (X/Y) küçük sayılı koordinatlar otomatik kuralda Öklid sayılır. Uzaklık satırı çıktıda her zaman yazar.
- Sabit bantta km ile derece karıştırmak. Coğrafi koordinatta sabit bant km'dir; projeksiyonlu koordinatta koordinat birimidir.
- CV ile seçilen küçük bandı "daha iyi uyum" diye seçmek. Tıp verisinde CV bandı R^2'yi 0,91'e çıkarır ama AICc'yi kötüleştirir (1175,9); aşırı uyum riski taşır.
- Leung F_1'in p'sini üst kuyruktan okumak. F_1 küçük olduğunda GWR iyidir; p alt kuyruktandır.
- Artık Moran's I'yı GWR'nin bağımlılığı çözdüğünün kanıtı saymak. GWR bağımlılık modeli değildir; anlamsız Moran's I yalnız kalan bağımlılığın zayıf olduğunu gösterir.
- MGWR ile GWR'nin σ² ve düzeltilmiş R²'sini yan yana koymak. MGWR'de bu ikisi mgwr tanımıyladır (n-\nu_1 paydası); GWR'de GWR4 tanımıyla.
119.10 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., Brunsdon, C., & Charlton, M. (2002). Geographically weighted regression: The analysis of spatially varying relationships. Wiley.
- 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). https://doi.org/10.18637/jss.v063.i17
- Hurvich, C. M., Simonoff, J. S., & Tsai, C.-L. (1998). Smoothing parameter selection in nonparametric regression using an improved Akaike information criterion. Journal of the Royal Statistical Society: Series B, 60(2), 271–293. https://doi.org/10.1111/1467-9868.00125
- Leung, Y., Mei, C.-L., & Zhang, W.-X. (2000). Statistical tests for spatial nonstationarity based on the geographically weighted regression model. Environment and Planning A, 32(1), 9–32. https://doi.org/10.1068/a3162
- 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
- Phipson, B., & Smyth, G. K. (2010). Permutation p-values should never be zero: Calculating exact p-values when permutations are randomly drawn. Statistical Applications in Genetics and Molecular Biology, 9(1), Article 39. https://doi.org/10.2202/1544-6115.1585
- Wheeler, D. C. (2007). Diagnostic tools and a remedial method for collinearity in geographically weighted regression. Environment and Planning A, 39(10), 2464–2481. https://doi.org/10.1068/a38325
- Wheeler, D., & Tiefelsdorf, M. (2005). Multicollinearity and correlation among local regression coefficients in geographically weighted regression. Journal of Geographical Systems, 7(2), 161–187. https://doi.org/10.1007/s10109-005-0155-6