MerQuR+İstatistik Sözlüğü

İstatistik Sözlüğü → Mekânsal Hata Modeli

Mekânsal Hata Modelianaliz

Komşu bölgelerin benzerliği modelde yer almayan ortak etkenlerden geldiğinde, bu bağımlılığı hata teriminde modelleyerek açıklayıcıların etkisini doğru standart hatalarla kestiren mekânsal regresyon modeli.

Kavram

Mekânsal verilerde komşu birimlerin birbirine benzemesinin her zaman 'yayılma' anlamına gelmesi gerekmez. Çoğu zaman benzerlik, ölçülmemiş ve mekânda kümelenen etkenlerden gelir: komşu köylerin toprak yapısı ve iklimi, komşu mahallelerin kültürel özellikleri benzerdir. Bu etkenler modelde yer almadığında hata terimlerinde toplanır ve komşu birimlerin hataları birbiriyle ilişkili olur. Sıradan regresyon bu durumda standart hataları yanıltıcı ve kestirimleri verimsiz kılar.

Mekânsal hata modeli (SEM) bağımlılığı hata teriminde tanımlar: y = Xβ + u, u = λWu + ε. W komşuluk ağırlık matrisi, λ ise komşu birimlerin hatalarının ne ölçüde benzediğini gösterir. Sonucun kendisi komşulara yayılmadığından β'lar doğrudan marjinal etkidir; SAR modelindeki gibi doğrudan-dolaylı etki ayrımı gerekmez. Mekânsal Durbin Hata modeli (SDEM) ayrıca komşuların açıklayıcılarını (WX) ekler; burada dolaylı etki doğrudan bu ek katsayılarla okunur.

Sonuçlar komşuluk tanımına (W) duyarlıdır. SEM ile SAR arasındaki seçim genellikle OLS artıklarına uygulanan Lagrange çarpanı testleriyle yapılır, ama küçük örneklemlerde bu ayrım belirsiz kalabilir ve iki model birlikte raporlanmalıdır. Mekânsal Hausman testi, OLS ve SEM katsayılarının birbirinden belirgin biçimde farklı olup olmadığını sınar; fark büyükse, açıklayıcılarla ilişkili ölçülmemiş bir etken bulunabileceği ve SEM'in yetersiz kalabileceği düşünülür.

Ne zaman kullanılır?

  • Mekânsal birimlerin artıklarında belirgin mekânsal otokorelasyon bulunduğunda ve bunun, sonucun komşulara yayılmasından çok ölçülmemiş bölgesel etkenlerden geldiği düşünüldüğünde.
  • Komşulardaki sonucun gerçekten birimin kendi sonucunu etkilediği düşünülüyorsa SAR (mekânsal gecikme) modeli; komşuların açıklayıcıları da etkiliyorsa SDEM ya da SDM kullanılır.
  • Açıklayıcıların etkisi bölgeden bölgeye değişiyorsa coğrafi ağırlıklı regresyon (GWR) tercih edilir.

Gündelik bir örnek

Bir tarım müdürlüğü, 80 köyde buğday verimini kullanılan gübre miktarı ve sulama oranıyla açıklıyor. Modelin hatalı tahminleri haritada rastgele dağılmıyor: belli bir vadideki köylerin hepsinde verim tahminden yüksek. Bunun nedeni ölçülmemiş toprak yapısı ve mikroklima olabilir. Mekânsal hata modeli λ = 0,6 bulursa, komşu köylerin ölçülmemiş koşulları güçlü biçimde benzer demektir; model bu benzerliği hesaba katarak gübrenin etkisini daha doğru standart hatayla verir.

MerQur'da parametreler

Bağımlı (sayısal) DV, Prediktörler (X), Enlem (latitude), Boylam (longitude)

Kavram: Bağımlı değişken ve açıklayıcılar sıradan regresyondaki gibidir; koordinatlar her birimin konumunu verir ve komşuluk ilişkileri bu konumlardan kurulur.

Gündelik örnek: Köy örneğinde bağımlı değişken dekar başına buğday verimi, açıklayıcılar gübre miktarı ve sulama oranıdır; her köy merkezinin enlem ve boylamı komşuluğu belirler.

Ne işe yarar: Modelin değişkenlerini ve nokta koordinatlarını seçer.

Sonuca etkisi: Tüm kestirimler değişir.

Doğrulama verisinde: Columbus: CRIME ~ HOVAL + INC.

Komşuluk yöntemi (k-NN (k en yakın komşu) / Distance band (mesafe eşiği) / Uzaklık bandı - kullanıcı eşiği (ikili) / Ters uzaklık 1/d (eşik içinde) / Dış ağırlık dosyası (.gal / .gwt)), Uzaklık eşiği (koordinat birimi), Ağırlık dosyası

Kavram: Komşuluk yöntemi, hata terimlerinin hangi birimler arasında ilişkili sayılacağını tanımlayan ağırlık matrisini (W) kurar: en yakın k birim, belli bir uzaklık içindeki birimler, uzaklıkla azalan ağırlıklar ya da hazır bir dosya. Uzaklık eşiği, bant yöntemlerinde komşuluk yarıçapıdır.

Gündelik örnek: Vadideki köyler birbirine 3-4 km uzaktaysa 5 km'lik bir eşik onları komşu yapar. Ortak sınır bilgisini içeren bir CBS dosyası varsa doğrudan bu dosya kullanılabilir; dağın iki yakasındaki köylerin komşu sayılmaması da böyle sağlanabilir.

Ne işe yarar: SAR formuyla ortak seçenekler: k-NN, otomatik uzaklık bandı, kullanıcı eşikli ikili band, eşik içinde 1/d ve dış .gal/.gwt dosyası.

Sonuca etkisi: λ, β, SE ve logL tamamen W'ye bağlıdır. Eşik, k-NN seçiliyken etkisizdir.

Doğrulama verisinde: Columbus: k-NN (k = 5) λ = 0.6788 (logL -179.47); uzaklık bandı λ = 0.6216 (logL -181.59). Anselin .gal ve Örnek 32.1 W'si ile λ = 0.561779. Boston'da 2 km eşikte komşusuz birimler oluşur.

→ Mekânsal ağırlık matrisi (W)

k (k-NN için)

Kavram: k en yakın komşu yönteminde her birimin kaç komşusu olacağını belirler; k, ölçülmemiş etkenlerin ne genişlikte bir alanda ortak olduğuna ilişkin varsayımı yansıtır.

Gündelik örnek: Toprak yapısı yalnız birkaç köylük küçük alanlarda benzerse küçük bir k uygundur; bütün bir ovaya yayılıyorsa daha büyük k daha gerçekçidir. λ'nın birkaç k değerinde nasıl değiştiğine bakmak iyi bir denetimdir.

Ne işe yarar: Her birimin komşu sayısı; yalnız k-NN'de etkindir (uzaklık bandında etkisizdir ve alan devre dışıdır).

Sonuca etkisi: λ ve SE değişir.

Doğrulama verisinde: k = 2 için λ = 0.5312, k = 5 için 0.6788, k = 10 için 0.5630 (SE 0.196). k = 50, n-1'i aşar: hata ("k en çok 48 olabilir").

→ Mekânsal ağırlık matrisi (W)

W standardizasyonu (W - satır standart (varsayılan) / B - ikili (ham ağırlık) / C - global standart (toplam = n) / U - birim toplam (toplam = 1) / S - varyans dengeleyici (Tiefelsdorf))

Kavram: W'nin ölçeğini belirler. Satır standartlaştırmada her birimin komşu ağırlıkları toplamı 1'dir ve Wu komşuların ortalama hatası olur; diğer ölçeklerde λ'nın sayısal değeri değişir ama aynı bağımlılık başka birimle ifade edilir.

Gündelik örnek: Satır standart W ile λ = 0,6, bir köyün ölçülmemiş koşullarının komşularının ortalamasıyla güçlü biçimde ilişkili olduğunu anlatır. İkili W'de λ çok daha küçük bir sayı çıkabilir; bu, bağımlılığın azaldığı anlamına gelmez.

Ne işe yarar: SAR ile ortak; λ özgün W ölçeğinde raporlanır.

Sonuca etkisi: λ'nın ölçeği ve logL değişir (B, C, U aynı modeldir).

Doğrulama verisinde: Uzaklık bandı ile λ: W 0.6216, B 0.1273, C 0.5664, U 27.7554, S 0.6727; logL: B, C ve U'da -174.49, W'de -181.59.

→ Mekânsal ağırlık matrisi (W)

Uzaklık ölçüsü (Öklid - koordinat birimi (varsayılan) / Büyük çember - enlem/boylam (km))

Kavram: Öklid uzaklığı düz bir haritada, projeksiyonlu koordinatlarla; büyük çember uzaklığı Dünya'nın eğriliğini hesaba katarak, enlem-boylam derecelerinde kullanılır.

Gündelik örnek: Tek bir ilçedeki köyler için iki uzaklık ölçüsü neredeyse aynı komşulukları verir. Birkaç ili kapsayan bir çalışmada ve derece cinsinden koordinatlarla büyük çember uzaklığı daha doğrudur.

Ne işe yarar: Koordinat birimi Öklid ya da büyük çember (km) uzaklığı.

Sonuca etkisi: k-NN komşuları ve eşik değişir.

Doğrulama verisinde: Boston, k = 5: Öklid λ = 0.7811 (logL -1443.50); büyük çember λ = 0.7788 (logL -1431.48).

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

Model (SEM (mekânsal hata, varsayılan) / SDEM (Spatial Durbin Error: + WX))

Kavram: SEM yalnız hata teriminde bağımlılığı modeller; SDEM ayrıca komşuların açıklayıcılarını ekler. SDEM'de bir açıklayıcının birimin kendi sonucuna etkisi doğrudan etki, komşulardaki değerinin etkisi dolaylı etkidir ve SAR'daki gibi geri besleme döngüsü yoktur.

Gündelik örnek: Bir köyün verimi komşu köylerin sulama oranından da etkilenebilir: yukarı havzada fazla su çekilirse aşağıdaki köye az su kalır. SDEM bu 'komşunun sulaması' etkisini ayrı bir dolaylı etki olarak gösterir.

Ne işe yarar: SDEM, WX terimlerini ekler; etkiler doğrudan = β, dolaylı = θ, toplam = β + θ olur (geri besleme yoktur).

Sonuca etkisi: Katsayılar ve etkiler değişir.

Doğrulama verisinde: k-NN ile SDEM λ = 0.7223; HOVAL doğrudan etki -0.2753 (SE 0.0854), dolaylı -0.2779 (0.2802), toplam -0.5533 (0.3205).

→ Mekânsal gecikme ve mekânsal Durbin modelleri (SAR, SDM, SDEM)

Ek çıktı: Mekânsal Hausman testi (Pace & LeSage 2008)

Kavram: Hata modeli doğruysa OLS ve SEM katsayıları birbirine yakın olmalıdır; yalnız verimlilikleri farklıdır. Mekânsal Hausman testi bu iki katsayı takımının belirgin biçimde farklı olup olmadığını sınar; anlamlı fark, modelde açıklayıcılarla ilişkili eksik bir etken olabileceğine işaret eder.

Gündelik örnek: Gübre katsayısı OLS'de 0,8, SEM'de 0,3 çıkıyorsa ve Hausman testi anlamlıysa, ölçülmemiş toprak verimliliği hem verimi hem de çiftçilerin gübre kullanımını etkiliyor olabilir. Bu durumda yalnız hata terimini düzeltmek yetmez.

Ne işe yarar: OLS ve SEM katsayılarının farkını sınar (Pace ve LeSage 2008); anlamlı çıkması SEM'in yanlış tanımlanmış olabileceğini düşündürür. SDEM seçilince kutu devre dışıdır ve açıklayıcı not basılır.

Sonuca etkisi: Yalnız ek çıktı ekler.

Doğrulama verisinde: k-NN H = 6.510 (sd 3, p = 0.089); uzaklık bandı H = 7.555 (p = 0.056); Baltimore H = 30.27 (p = 0.0008); Columbus .gal H = 5.256 (p = 0.154).

→ Hausman testi

Güven Düzeyi (%90 / %95 / %99 / Diğer (özel))

Kavram: Katsayıların ve λ'nın aralık tahminlerinin güven düzeyini belirler; düzey yükseldikçe aralık genişler.

Gündelik örnek: λ için %95 güven aralığı [0,45; 0,85] ise komşu köylerin ölçülmemiş koşulları büyük olasılıkla güçlü biçimde benzerdir; %90 seçildiğinde aralık daralır.

Ne işe yarar: Wald güven aralığı düzeyi.

Sonuca etkisi: Yalnız aralık sınırları değişir.

Doğrulama verisinde: Columbus (k = 5): λ = 0.6788, SE 0.1141, %95 GA [0.4552, 0.9024].

→ Güven düzeyi ve güven aralığı

Gerçek veride örnek

Veri: Anselin 1988 Columbus suç verisi, R spData

Değişkenler: bağımlı CRIME (suç oranı), prediktörler HOVAL (konut değeri) ve INC (gelir), koordinatlar Y ve X (49 mahalle)

  • Soru: Columbus'ta suç oranı (CRIME) ile konut değeri (HOVAL) ve gelir (INC) arasındaki ilişkide, ölçülmemiş bölgesel etkenlerden doğan mekânsal bağımlılık hata teriminde mi yer alır? (W: 5 en yakın komşu, satır standart.)
  • Sonuç: λ = 0.679 (SE 0.114, %95 GA [0.455, 0.902], z = 5.95, p < .001): komşu mahallelerin hata terimleri güçlü biçimde benzerdir, yani modelde olmayan mekânsal bir etken vardır.
  • Katsayılar: Konut değeri (β = -0.247, z = -3.02, p = .003) ve gelir (β = -1.014, z = -3.31, p < .001) suç oranını azaltır. SEM'de β'lar doğrudan marjinal etkidir (yayılma etkisi yoktur).
  • Model uyumu: logL = -179.47, AIC = 368.94 (aynı W ile SAR 370.63, OLS 382.75); σ² = 80.04; pseudo R² = 0.55. AIC'ye göre SEM, SAR'dan biraz daha iyidir.
  • Sınırlılık: n = 49 küçüktür; SEM ile SAR'ın ayrımı LM testlerine ve W seçimine duyarlıdır, iki model birlikte raporlanmalıdır.
  • APA: Mekânsal hata modeli (ML, k-NN W, k = 5, N = 49): λ = 0.68, z = 5.95, p < .001; INC β = -1.01, p < .001; pseudo R² = .55, AIC = 368.94.

İlgili kavramlar

Güven düzeyi ve güven aralığıMekânsal ağırlık matrisi (W)Mekânsal gecikme ve mekânsal Durbin modelleri (SAR, SDM, SDEM)Hausman testiUzaklık ölçüsü (Öklid, Manhattan, Gower, büyük daire)Ters uzaklık ağırlıklandırması (IDW)En çok olabilirlik (ML) kestirimiEn küçük kareler (OLS) yöntemi

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