MerQuR+İstatistik Sözlüğü

İstatistik Sözlüğü → GWR

GWRanaliz

Bir ilişkinin tüm bölgede aynı olduğunu varsaymak yerine, her konumda yakın gözlemlere daha çok ağırlık veren yerel regresyonlar kurarak katsayıların yerden yere nasıl değiştiğini gösteren coğrafi ağırlıklı regresyon.

Kavram

Sıradan (küresel) regresyon, bir açıklayıcının etkisini bütün çalışma alanı için tek bir katsayıyla özetler. Oysa birçok ilişki mekânda değişir: gelirin eğitim başarısına etkisi büyük kentlerde başka, kırsal bölgelerde başka olabilir. Coğrafi ağırlıklı regresyon (GWR), 'bu ilişki her yerde aynı mı?' sorusunu yanıtlamak için her konumda ayrı bir katsayı takımı kestirir.

Her konum için, o konuma yakın gözlemlere yüksek, uzak gözlemlere düşük ağırlık veren ağırlıklı bir en küçük kareler regresyonu kurulur: y_i = β₀(u_i, v_i) + Σ β_k(u_i, v_i)·x_ik + e_i. Ağırlıkların uzaklıkla nasıl azalacağını çekirdek (kernel) fonksiyonu, ne kadar uzağa uzanacağını bant genişliği belirler. Bant genişliği genellikle AICc gibi bir ölçütle veriden seçilir; küçük bant çok yerel ve oynak, büyük bant küresel regresyona yakın sonuçlar verir. Çok ölçekli GWR (MGWR) her açıklayıcıya kendi bant genişliğini tanır.

Sonuç bir katsayı haritasıdır ve keşfedici okunmalıdır: her konumda ayrı test yapıldığından yerel katsayıların anlamlılığı çoklu test düzeltmesi gerektirir; yerel düzeyde açıklayıcılar arasında güçlü çoklu doğrusallık katsayıları oynatabilir. GWR'nin küresel modele göre gerçekten daha iyi olup olmadığı AICc farkı ya da F testleriyle, katsayıların gerçekten değişip değişmediği permütasyon testleriyle sınanmalıdır.

Ne zaman kullanılır?

  • Bir açıklayıcının etkisinin bölgeden bölgeye değiştiği düşünüldüğünde ve bu değişimi haritalamak istendiğinde (konut fiyatları, sağlık göstergeleri, eğitim başarısı, tarımsal verim).
  • Açıklayıcıların etki ölçekleri farklı olabilirse (biri yerel, biri bölgesel) MGWR; ilişki her yerde aynı ama sonuç ya da hata komşular arasında bağımlıysa SAR ya da mekânsal hata modeli kullanılır.
  • Sonuç ikili ya da sayım verisiyse coğrafi ağırlıklı lojistik veya Poisson regresyon gibi genelleştirilmiş sürümler gerekir.

Gündelik bir örnek

Bir araştırmacı, Türkiye'nin 81 ilinde üniversite sınavı başarısını hane geliri ve öğretmen başına öğrenci sayısıyla açıklıyor. Küresel regresyon gelirin etkisi için tek bir katsayı veriyor. GWR ise her il için ayrı katsayı kestirir ve örneğin gelirin etkisinin batı illerinde zayıf, doğu illerinde güçlü olduğunu gösteren bir harita üretebilir. Bu bulgu, destek programlarının nerede daha etkili olabileceği konusunda fikir verir.

MerQur'da parametreler

Bağımlı DV, Prediktörler (X), Enlem, Boylam

Kavram: Bağımlı değişken ve açıklayıcılar sıradan regresyondaki gibidir; koordinatlar her gözlemin konumunu verir ve yerel regresyonların ağırlıkları bu konumlar arasındaki uzaklıklardan hesaplanır.

Gündelik örnek: İl örneğinde bağımlı değişken sınav başarısı, açıklayıcılar hane geliri ve öğretmen başına öğrenci sayısıdır; her ilin merkez koordinatları kimin kime yakın olduğunu belirler.

Ne işe yarar: Modelin değişkenleri ve nokta koordinatları.

Sonuca etkisi: Tüm yerel kestirimler değişir.

Doğrulama verisinde: Georgia: PctBach ~ PctRural + PctPov + PctBlack (n = 159); ayrıca Columbus (n = 49) ve Boston (n = 506).

Bandwidth tipi (Adaptive k komşu / Fixed sabit yarıçap)

Kavram: Sabit bant her konumda aynı yarıçapı kullanır; uyarlanır bant ise her konumda belli sayıda en yakın komşuyu kapsayacak biçimde genişler ya da daralır. Gözlemlerin yoğunluğu yerden yere çok değişiyorsa uyarlanır bant daha dengeli sonuç verir.

Gündelik örnek: Batıdaki küçük ve sık iller için 200 km'lik sabit bir yarıçap çok sayıda il kapsarken, doğudaki büyük iller için aynı yarıçap birkaç ili kapsar. Uyarlanır bant her ilin yerel regresyonuna örneğin en yakın 30 ili alarak bu dengesizliği giderir.

Ne işe yarar: Uyarlanır bantta her noktada k. en yakın komşuya uzaklık bant olur (veri yoğunluğuna uyum); sabit bantta her yerde aynı yarıçap kullanılır.

Sonuca etkisi: Yerel katsayılar, etkin parametre sayısı (ENP) ve model uyum ölçütleri değişir.

Doğrulama verisinde: Bisquare, AICc: uyarlanır k = 93 (AICc 896.350, ENP 14.36); sabit 211020.8 m (AICc 894.973, ENP 16.51).

→ Bant genişliği (çekirdek yumuşatma)

Kernel (Bisquare / Gaussian / Üstel / Tricube / Boxcar)

Kavram: Çekirdek fonksiyonu, uzaklık arttıkça bir gözlemin ağırlığının nasıl azalacağını belirler. Bisquare gibi çekirdekler bant sınırının dışındaki gözlemlere sıfır ağırlık verir; Gauss çekirdeği ise ağırlığı yumuşakça azaltır ve hiçbir gözlemi tümüyle dışlamaz.

Gündelik örnek: Bisquare çekirdekte Ankara'nın yerel regresyonuna yakın iller güçlü, bant sınırına yakın iller zayıf katılır, sınırın dışındakiler hiç katılmaz. Gauss çekirdekte uzak iller bile çok küçük bir ağırlıkla hesaba girer.

Ne işe yarar: Ağırlık fonksiyonu: bisquare (1-(d/b)²)², gaussian exp(-(d/b)²/2), üstel exp(-d/b), tricube (1-(d/b)³)³, boxcar 1 (d < b).

Sonuca etkisi: Bant ve tüm yerel kestirimler değişir.

Doğrulama verisinde: Uyarlanır, AICc: bisquare k = 93, gaussian 23, üstel 19, tricube 92, boxcar 46; AICc sırasıyla 896.35; 890.74; 886.14; 897.34; 891.27. Boxcar'da MerQur k. komşuyu dahil eder (46); GWmodel ve elle hesap 47 verir.

→ Çekirdek (ağırlık) fonksiyonu (Gauss, bisquare, Epanechnikov)

Bant seçim kriteri (AICc / AIC / BIC / CV)

Kavram: Bant genişliği, uyum ile karmaşıklık arasında bir denge kuran bir ölçütle seçilir. AICc küçük örneklemlerde aşırı uyuma karşı düzeltilmiş bir bilgi ölçütüdür; çapraz doğrulama (CV) her gözlemi kendisi dışarıda bırakılarak ne kadar iyi tahmin edildiğine göre değerlendirir.

Gündelik örnek: Bant çok küçük seçilirse her ilin regresyonu yalnız birkaç komşuya dayanır ve katsayı haritası gürültülü bir yamalı bohçaya döner. AICc, haritanın ayrıntısını ancak tahmin gerçekten iyileşiyorsa artıran bir bant seçer.

Ne işe yarar: Bandı seçen ölçüt. Tüm ölçüt ve bant türlerinde kaba ızgara ve ardından rafine arama yapılır (uyarlanırda tam sayı); sabit bant arama alanı, her yerel regresyonda en az k+1 gözlem kalan en küçük uzaklık ile en büyük uzaklığın 2 katı arasındadır.

Sonuca etkisi: Seçilen bant ve dolayısıyla tüm sonuç değişir.

Doğrulama verisinde: Uyarlanır bisquare'de AIC ve BIC bant 6 seçer (ENP 150.6 ve 159; "aralık sınırında" ve "ENP ≥ n/2" uyarıları), CV 147. Gaussian AIC 6 (ENP 47.9; "AIC küçük bantta eksi sonsuza gidebilir" uyarısı), BIC ve CV 62.

→ Bilgi ölçütleri (AIC, AICc, BIC)

Elle bant genişliği

Kavram: Bant genişliği veriden seçilmek yerine araştırmacı tarafından da verilebilir. Bu, kuramsal bir ölçek beklentisi olduğunda ya da sonuçların bant seçimine duyarlılığı sınanırken yararlıdır.

Gündelik örnek: Eğitim politikalarının bölge müdürlükleri ölçeğinde (yaklaşık 10 ilde) farklılaştığı düşünülüyorsa bant 10 komşu olarak verilebilir. Sonucu 10, 20 ve 40 komşuyla karşılaştırmak, haritadaki desenlerin bant seçimine ne kadar bağlı olduğunu gösterir.

Ne işe yarar: 0 girilirse bant otomatik seçilir; uyarlanırda değer tam sayıya yuvarlanır (49.46 yerine 49 ve "49 komşuya yuvarlandı" notu), sabitte uzaklıktır.

Sonuca etkisi: Bant ölçütten bağımsız belirlenir; elle bantta ölçüt etkisizdir.

Doğrulama verisinde: 90 (RSS 2090.1253, AICc 896.4628, tr(S) 14.9251), 209267.689, 87308.298, 49.46: bütün özet değerler ve gözlem bazlı β, SE, t ve yerel R² raporlanır. k+1'in altındaki 3 değeri hata verir ("5 ile 159 arasında").

→ Bant genişliği (çekirdek yumuşatma)

Model (GWR tek bant / MGWR değişkene özgü bant)

Kavram: Klasik GWR tüm açıklayıcılar için tek bir bant kullanır; çok ölçekli GWR (MGWR) her açıklayıcının kendi bandını seçer. Böylece bazı ilişkilerin çok yerel, bazılarının neredeyse küresel olduğu ayırt edilebilir.

Gündelik örnek: Gelirin etkisi bölgeden bölgeye değişirken öğretmen başına öğrenci sayısının etkisi ülkenin her yerinde aynı olabilir. MGWR, gelir için küçük, öğretmen oranı için tüm illeri kapsayan büyük bir bant seçerek bu farkı gösterir.

Ne işe yarar: MGWR (Fotheringham, Yang ve Kang 2017) her değişken için ayrı bant seçer (geri uydurma ile).

Sonuca etkisi: Bantlar, yerel katsayılar ve AICc değişir; MGWR'de yerel SE, Fotheringham ve ark. (2017) MGWR tanımıyla verilir (not yazılır). Monte Carlo kutusu MGWR'de devre dışıdır.

Doğrulama verisinde: Ham değişkenlerle bantlar 57 / 142 / 157 / 157 (AICc 899.28). Z-skorlu örnekte 101 / 101 / 117 / 157 (AICc 297.070).

→ Bant genişliği (çekirdek yumuşatma)

Uzaklık (Otomatik / Coğrafi büyük çember / Projeksiyonlu Öklid)

Kavram: Uzaklık, projeksiyonlu koordinatlarda düz harita (Öklid) uzaklığı, enlem-boylam derecelerinde ise Dünya'nın eğriliğini hesaba katan büyük çember uzaklığı olarak hesaplanır.

Gündelik örnek: 81 ilin koordinatları derece cinsindeyse büyük çember uzaklığı kullanılmalıdır; dereceleri düz koordinat gibi kullanmak, doğu-batı yönündeki uzaklıkları kuzey-güney yönündekilere göre olduğundan büyük gösterir.

Ne işe yarar: Otomatik seçimde koordinatlar derece aralığındaysa (|enlem| ≤ 90, |boylam| ≤ 180) ve sütun adı coğrafi ise büyük çember (küre, Dünya yarıçapı 6371 km), değilse Öklid uzaklığı kullanılır. Coğrafi seçeneği zorlanınca aralık denetimi yapılır.

Sonuca etkisi: Uzaklıklar, dolayısıyla bant ve tüm kestirimler değişir.

Doğrulama verisinde: Georgia X/Y (metre, Öklid; yorumdaki model): bant 93, AICc 896.350. 'Latitude/Longitud' sütunları otomatik olarak coğrafi sayılır ve büyük çember uzaklığıyla bant 92 (AICc 896.361) çıkar. Aynı derece değerleri projeksiyonlu Öklid zorlanarak düzlem gibi kullanılırsa dönüşüm yapılmaz, boylam ölçeği bozulur ve bant 104 (AICc 895.336) çıkar; bu kullanım önerilmez. Columbus X/Y projeksiyonludur (bant 24). UTM metre değerleri 'coğrafi' zorlanırsa açık hata verilir.

→ Uzaklık ölçüsü (Öklid, Manhattan, Gower, büyük daire)

Monte Carlo değişkenlik testi ve Permütasyon sayısı

Kavram: Yerel katsayılar şans eseri de bir miktar değişir. Permütasyon testi, koordinatları rastgele karıştırıp GWR'yi yeniden kurarak 'mekânsal desen olmasaydı katsayılar ne kadar değişirdi?' sorusunu yanıtlar; p küçükse katsayının mekânda gerçekten değiştiği sonucuna varılır.

Gündelik örnek: İllerin konumları rastgele yer değiştirildiğinde gelir katsayısının iller arasındaki yayılımı 199 karıştırmanın yalnız %2'sinde gerçek veridekinden büyük çıkıyorsa, gelirin etkisinin bölgeden bölgeye değiştiği güvenilir bir bulgudur.

Ne işe yarar: Koordinatlar permüte edilip yerel katsayıların SD'si yeniden hesaplanır; p, permütasyonlarda SD'nin gözlenenden büyük olma oranıdır. Permütasyonlarda kullanıcının ölçütü ve arama alanı (elle bantta o bant) kullanılır.

Sonuca etkisi: Yalnız ek p değerleri ekler.

Doğrulama verisinde: Bisquare 93, 199 permütasyonda p (sabit, PctRural, PctPov, PctBlack) = (.020, .151, .563, .201).

→ Monte Carlo p-değeri

Gerçek veride örnek

Veri: Fotheringham ve ark. 2002 Georgia ilçe verisi, R GWmodel

Değişkenler: bağımlı PctBach (lisans mezunu oranı), prediktörler PctRural, PctPov, PctBlack, koordinatlar Y ve X (159 ilçe, metre)

  • Soru: Georgia'nın 159 ilçesinde lisans mezunu oranı (PctBach) ile kırsallık, yoksulluk ve siyah nüfus oranı arasındaki ilişki yere göre değişiyor mu? GWR her ilçede komşularıyla ağırlıklı yerel regresyon kurar.
  • Bant seçimi: Uyarlanır bisquare çekirdekte AICc en küçük bant 93 komşudur; her yerel model ilçelerin yaklaşık %58'ini kullanır.
  • Sonuç / model uyumu: GWR R² = 0.589 (düzeltilmiş 0.533), AICc = 896.35; küresel OLS'ye göre (R² = 0.485, AICc = 908.32) ΔAICc = 11.97 > 3 olduğundan GWR tercih edilir. Leung F2 = 2.10, p = .004 de GWR'nin anlamlı iyileşme sağladığını gösterir.
  • Yerel katsayılar: Kırsallık her ilçede negatif ve anlamlıdır (medyan -0.104, aralık -0.188 ile -0.071). Yoksulluğun etkisi -0.519 ile -0.077 arasında değişir, çoklu test düzeltmeli ölçütle ilçelerin %39'unda anlamlıdır. Siyah nüfus oranının katsayısı işaret değiştirir (-0.069 ile 0.131) ve yalnız %3.1'inde anlamlıdır.
  • Durağanlık testi: Leung F3'e göre sabit (p < .001) ve kırsallık (p < .001) katsayıları mekânsal olarak durağan değildir; yoksulluk (p = .41) için yere göre değişim kanıtı yoktur.
  • Tanılar: Yerel VIF en çok 3.89, koşul sayısı en çok 17.55 (eşik 30); yerel katsayılar çoklu doğrusallıktan etkilenmez. GWR artıklarında mekânsal otokorelasyon yoktur (Moran I = -0.0035, p = .940).
  • APA: GWR (uyarlanır bisquare, AICc ile bant = 93, N = 159): R² = .59, düzeltilmiş R² = .53, AICc = 896.35 (OLS 908.32); Leung F2 = 2.10, p = .004.

İlgili kavramlar

Monte Carlo p-değeriBant genişliği (çekirdek yumuşatma)Çekirdek (ağırlık) fonksiyonu (Gauss, bisquare, Epanechnikov)Uzaklık ölçüsü (Öklid, Manhattan, Gower, büyük daire)Bilgi ölçütleri (AIC, AICc, BIC)Ağırlıklı en küçük kareler (WLS)Kovaryat (ortak değişken)En küçük kareler (OLS) yöntemi

Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.