MerQuR+İstatistik Sözlüğü

İstatistik Sözlüğü → SAR

SARanaliz

Bir bölgedeki sonucun komşu bölgelerdeki sonuçlardan da etkilendiği durumlarda, bu yayılma etkisini (mekânsal gecikme) açıklayıcıların etkisiyle birlikte kestiren mekânsal regresyon modeli.

Kavram

Mahalle, ilçe ya da il gibi mekânsal birimlerde toplanan verilerde komşu birimler birbirine benzer: bir mahallenin konut fiyatları çevresindeki mahallelerin fiyatlarından, bir ilçenin suç oranı komşu ilçelerdekinden etkilenebilir. Sıradan regresyon gözlemleri bağımsız saydığı için bu durumda katsayıları yanlı, standart hataları yanıltıcı verir. Mekânsal otoregresif gecikme modeli (SAR), komşulardaki sonucun kendisini modele bir açıklayıcı olarak ekler.

Model y = ρWy + Xβ + ε biçimindedir. W, kimin kimin komşusu olduğunu ve ne ağırlıkla sayıldığını tanımlayan mekânsal ağırlık matrisidir; satır standartlaştırıldığında Wy her birim için komşularının ortalama sonucudur. ρ, komşuların sonucunun birimin kendi sonucuna etkisini ölçer. ρ sıfırdan farklıyken bir birimdeki değişiklik komşulara, oradan da geri yayıldığından β'lar doğrudan marjinal etki değildir; bunun yerine doğrudan (birimin kendi açıklayıcısının etkisi), dolaylı (komşulara yayılan etki) ve toplam etkiler okunur. Mekânsal Durbin modeli (SDM) ayrıca komşuların açıklayıcılarını (WX) da ekler.

Sonuçlar W'nin nasıl tanımlandığına duyarlıdır; farklı komşuluk tanımlarıyla sonuçlar karşılaştırılmalıdır. Model seçimi genellikle OLS artıklarındaki mekânsal otokorelasyon (Moran I) ve Lagrange çarpanı (LM) testleriyle yapılır: bağımlılık sonuçta mı (gecikme, SAR) yoksa hata teriminde mi (hata modeli, SEM) daha güçlü? Model, ilişkinin tüm bölgede aynı olduğunu varsayar; ilişkinin kendisi yerden yere değişiyorsa başka yöntemler gerekir.

Ne zaman kullanılır?

  • Mekânsal birimlerdeki bir sonucun komşu birimlerdeki sonuçtan gerçekten etkilendiği düşünüldüğünde (konut fiyatlarının yayılması, salgının komşu bölgelere geçmesi, vergi oranlarında komşu yerel yönetimlerin birbirini izlemesi).
  • Mekânsal bağımlılık ölçülmemiş ortak bölgesel etkenlerden geliyor ve hata teriminde toplanıyorsa mekânsal hata modeli (SEM); komşuların açıklayıcıları da etkiliyse Mekânsal Durbin modeli (SDM) tercih edilir.
  • Açıklayıcıların etkisinin kendisi bölgeden bölgeye değişiyorsa coğrafi ağırlıklı regresyon (GWR) kullanılır.

Gündelik bir örnek

Bir belediye, 60 mahallede ortalama konut kirasını merkeze uzaklık ve yeşil alan oranıyla açıklamak istiyor. Bir mahallede kiralar yükselince komşu mahallelerdeki ev sahipleri de kiraları artırma eğiliminde olabilir. SAR modeli ρ = 0,45 bulursa komşu mahallelerin kirası kendi kirayı belirgin biçimde etkiliyor demektir. Bu durumda bir mahallede yeni park açmanın etkisi yalnız o mahalleyle sınırlı kalmaz; dolaylı etki, komşu mahallelere yayılan kira değişimini gösterir.

MerQur'da parametreler

Bağımlı DV, Prediktörler (X), Enlem, Boylam

Kavram: Bağımlı değişken ve açıklayıcılar sıradan regresyondaki gibidir; koordinatlar ise her birimin konumunu verir ve kimin kime komşu olduğu bu konumlardan hesaplanır.

Gündelik örnek: Kira örneğinde bağımlı değişken ortalama kira, açıklayıcılar merkeze uzaklık ve yeşil alan oranıdır. Her mahallenin merkez noktasının enlem ve boylamı, komşulukların kurulmasında kullanılır.

Ne işe yarar: Modelin değişkenlerini ve nokta koordinatlarını seçer.

Sonuca etkisi: Tüm kestirimler seçilen modele ve koordinatlara (k-NN ve mesafe tabanlı komşuluk için) bağlıdır.

Doğrulama verisinde: Columbus: CRIME ~ HOVAL + INC.

Komşuluk yöntemi (k-NN / Uzaklık bandı / Kullanıcı eşikli ikili band / Ters uzaklık 1/d / Dış ağırlık dosyası)

Kavram: Mekânsal ağırlık matrisi W, her birimin hangi birimleri komşu saydığını ve onlara ne ağırlık verdiğini tanımlar. Komşuluk en yakın k birim, belli bir uzaklığın içindeki birimler, uzaklıkla azalan ağırlıklar ya da hazır bir dosya ile kurulabilir; modelin bütün sonuçları bu tanıma bağlıdır.

Gündelik örnek: Her mahalle için 'en yakın 5 mahalle komşudur' denebileceği gibi '2 km içindeki tüm mahalleler komşudur' da denebilir. Uzaklık bandında merkezdeki sık mahallelerin çok, çevredeki seyrek mahallelerin az komşusu olur; k en yakın komşu yönteminde herkesin komşu sayısı eşittir.

Ne işe yarar: W matrisinde kimin komşu sayılacağını ve ağırlığını belirler.

Sonuca etkisi: ρ, β, standart hatalar, LM testleri ve etkilerin tamamı W'ye koşulludur.

Doğrulama verisinde: Columbus: k-NN (k = 5) ρ = 0.4649 (logL -180.32); otomatik uzaklık bandı (eşik 3.374) ρ = 0.5014 (logL -179.06); eşik içinde 1/d ρ = 0.5169 (logL -178.30); Anselin komşuluk dosyası (.gal) ρ = 0.4233 (logL -182.67).

→ Mekânsal ağırlık matrisi (W)

k (k-NN için)

Kavram: k en yakın komşu yönteminde her birimin kaç komşusu olacağını belirler. Küçük k yalnız çok yakın etkileşimi, büyük k daha geniş bir çevrenin ortalamasını yansıtır.

Gündelik örnek: k = 3 seçilirse bir mahallenin kirası yalnız hemen bitişiğindeki üç mahalleyle ilişkilendirilir; k = 10 seçilirse ilçenin daha geniş bir bölümü 'komşu' sayılır. ρ'nun k ile nasıl değiştiğine bakmak sonucun komşuluk tanımına ne kadar duyarlı olduğunu gösterir.

Ne işe yarar: Her birimin komşu sayısı; yalnız k-NN'de etkindir.

Sonuca etkisi: ρ ve SE değişir.

Doğrulama verisinde: k = 2 için ρ = 0.4530, k = 5 için 0.4649, k = 10 için 0.5278 (SE 0.098; 0.115; 0.170). k = 50, gözlem sayısını (n = 49) aştığı için hata verir ("k en çok 48 olabilir").

→ Mekânsal ağırlık matrisi (W)

Uzaklık eşiği (koordinat birimi)

Kavram: Uzaklık bandı yöntemlerinde komşuluk yarıçapıdır: bu uzaklığın içindeki birimler komşu sayılır. Eşik çok küçükse bazı birimlerin hiç komşusu kalmaz; çok büyükse uzak birimler de komşu sayılır ve yerel etki sulanır.

Gündelik örnek: Eşik 1 km seçilirse çevredeki seyrek mahallelerden bazılarının komşusu olmayabilir. Eşik 10 km seçilirse kentin neredeyse tamamı birbirine komşu olur ve mahalleler arası yayılma etkisi ayırt edilemez.

Ne işe yarar: Uzaklık bandı ve 1/d yöntemlerinde komşuluk yarıçapı (büyük çemberde km). 0 girilirse her birimin en az bir komşusu olacak en küçük eşik kullanılır.

Sonuca etkisi: W ve dolayısıyla tüm kestirimler değişir. k-NN seçiliyken etkisizdir (alan devre dışıdır).

Doğrulama verisinde: Eşik 6 için ρ = 0.4099, eşik 10 için 0.3754 (p = 0.163, anlamsız); 1/d ile eşik 10 için ρ = 0.6023. Boston'da büyük çember ve 2 km eşikte 28 komşusuz birim oluşur (MerQur uyarı notu verir).

→ Mekânsal ağırlık matrisi (W)

Ağırlık dosyası (.gal / .gwt)

Kavram: Komşuluk ilişkileri coğrafi bilgi sistemlerinde önceden hazırlanmış bir dosyadan da okunabilir. Böylece sınır paylaşımı (bitişiklik) gibi yalnız koordinatlarla kurulamayan komşuluk tanımları kullanılabilir.

Gündelik örnek: Belediyenin CBS birimi, ortak sınırı olan mahalleleri komşu sayan bir dosya hazırladıysa bu dosya doğrudan yüklenir. Bir nehir iki mahalleyi ayırıyorsa, yakın olsalar bile komşu sayılmamaları sağlanabilir.

Ne işe yarar: GAL ya da GWT dosyasından W okur; kimlikler 0..n-1 ya da 1..n sıra numarasına eşlenir. .gwt dosyalarında üçüncü sütun ağırlık olarak kullanılır.

Sonuca etkisi: Tüm model değişir.

Doğrulama verisinde: Anselin columbus.gal ile ρ = 0.423325. Örnek 32.1 W'si (.gwt): ρ = 0.431020, logL = -182.38860, AIC = 374.77720. baltim_q.gal: ρ = 0.425885, logL = -832.937174.

→ Mekânsal ağırlık matrisi (W)

Model (SAR / Mekânsal Durbin SDM)

Kavram: SAR yalnız komşuların sonucunu, Mekânsal Durbin modeli (SDM) ayrıca komşuların açıklayıcılarını da modele ekler. Olabilirlik oranı testleri, SDM'nin daha basit SAR ya da hata modeline indirgenip indirgenemeyeceğini sınar.

Gündelik örnek: Bir mahallenin kirası yalnız komşuların kirasından değil, komşu mahallelerdeki yeşil alandan da etkilenebilir: yanındaki büyük parka yürüyerek gidilebiliyorsa. SDM bu 'komşunun parkı' etkisini ayrı bir katsayı olarak kestirir.

Ne işe yarar: SDM açıklayıcıların mekânsal gecikmesini (WX) ekler; SDM-SAR (θ = 0) ve SDM-SEM (ortak faktör) olabilirlik oranı testleri ile ρ için SLX'e karşı LR testi verilir.

Sonuca etkisi: Katsayılar, etkiler ve LR testleri değişir.

Doğrulama verisinde: Örnek 32.1 W'si ile SDM ρ = 0.426492, θ = -0.519640 / 0.245716, logL = -181.39141, AIC = 376.78282. Columbus .gal: LR SDM-SAR = 2.069 (p = 0.355), SDM-SEM = 4.220 (p = 0.121).

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

W standardizasyonu (W satır / B ikili / C global / U birim toplam / S varyans dengeleyici)

Kavram: W'nin ölçeğini belirler. Satır standartlaştırmada her satırın ağırlıkları toplamı 1'dir ve Wy komşuların ortalaması olur; ikili ağırlıklarda Wy komşuların toplamıdır. Ölçek değişince ρ'nun sayısal değeri ve yorumu değişir.

Gündelik örnek: Satır standart W ile ρ = 0,45, 'komşu mahallelerin ortalama kirası 100 TL yüksekse, bu doğrudan yaklaşık 45 TL'lik bir etki yapar' gibi okunur (yayılmanın geri dönüşü bunun üstüne eklenir). İkili W'de aynı ilişki komşu sayısına bölünmüş bir ρ ile ifade edilir.

Ne işe yarar: W'nin ölçeğini belirler: W (satır toplamı 1), B (ikili), C (toplam n), U (toplam 1), S (Tiefelsdorf varyans dengeleyici). MerQur W'yi en büyük özdeğere bölüp ρ'yu özgün ölçeğe geri çevirir; B, C ve U aynı modelin farklı ölçekleridir.

Sonuca etkisi: ρ'nun ölçeği ve satır standart olmayan W'de etkiler değişir; B/C/U'da logL değişmez.

Doğrulama verisinde: .gal ile ρ: W 0.4233, B 0.0485, C 0.2337, U 11.4535, S 0.3402; logL: B, C ve U'da -181.711, W'de -182.674. Toplam etki HOVAL: satır standart olmayan W'de -0.3294, W'de -0.4618.

→ Mekânsal ağırlık matrisi (W)

Uzaklık ölçüsü (Öklid / Büyük çember)

Kavram: Öklid uzaklığı düz bir haritadaki doğru çizgi uzaklığıdır ve projeksiyonlu koordinatlarla kullanılır; büyük çember uzaklığı Dünya'nın eğriliğini hesaba katar ve enlem-boylam derecelerinde gereklidir.

Gündelik örnek: Bir kentin mahalleleri için iki uzaklık hemen hemen aynı sonucu verir. Türkiye'nin 81 ili gibi geniş bir alanda ve derece cinsinden koordinatlarla ise büyük çember uzaklığı seçilmelidir.

Ne işe yarar: Koordinat birimi Öklid uzaklığı ya da büyük çember (haversine, Dünya yarıçapı 6371 km; koordinatlar derece) uzaklığı.

Sonuca etkisi: k-NN komşuları ve uzaklık eşiği değişir.

Doğrulama verisinde: Boston, k = 5: Öklid ρ = 0.5798 (logL -1477.78); büyük çember ρ = 0.5788 (logL -1470.41).

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

Kestirim yöntemi (ML tam özdeğer / ML seyrek LU / ML Ord özdeğer / GMM-S2SLS / GMM-S2SLS White sağlam SE)

Kavram: En çok olabilirlik kestirimi hataların normal dağıldığını varsayar ve genellikle en verimli sonucu verir. Genelleştirilmiş momentler (GMM/S2SLS) yöntemi Wy'nin içsel olmasını araç değişkenlerle çözer, normallik gerektirmez; White seçeneği değişen varyansa karşı sağlam standart hata verir.

Gündelik örnek: Kiraların dağılımı normale yakınsa ML uygundur. Bazı lüks mahallelerin kiraları çok dağınıksa ve değişen varyans testi anlamlıysa, S2SLS ile sağlam standart hatalar daha güvenilir bir belirsizlik tahmini verir.

Ne işe yarar: İlk üçü kesin log-determinant ile en çok olabilirlik kestirimidir (büyük n için LU); S2SLS, Kelejian ve Prucha (1998) yöntemidir (araçlar X, WX, W²X); White seçeneği sağlam SE verir.

Sonuca etkisi: ML yöntemleri aynı kestirimi verir; S2SLS farklı ρ ve SE verir. SDM ile S2SLS seçilirse ML kullanılır ve not yazılır.

Doğrulama verisinde: .gal ile üç ML yönteminde ρ = 0.4233, SE = 0.1195. S2SLS ρ = 0.4615 (SE 0.1879), White SE 0.1448; σ² iki seçenekte de e'e/(n-k) = 104.665.

→ En çok olabilirlik (ML) kestirimi

OLS varsayım tanıları (Ek çıktı)

Kavram: Mekânsal modele geçmeden önce sıradan regresyonun artıklarını denetler: Jarque-Bera normalliği, Breusch-Pagan ve Koenker-Bassett değişen varyansı, koşul sayısı ve VIF ise açıklayıcılar arasındaki çoklu doğrusallığı sınar.

Gündelik örnek: Breusch-Pagan testi anlamlıysa kiraların modelden sapması bazı mahallelerde çok daha büyüktür. VIF değerleri yüksek çıkarsa, örneğin merkeze uzaklık ile yeşil alan oranı birbirine çok bağlıdır ve etkilerini ayırmak zorlaşır.

Ne işe yarar: OLS artıklarında Jarque-Bera, Breusch-Pagan, Koenker-Bassett, koşul sayısı ve VIF.

Sonuca etkisi: Yalnız ek çıktı ekler.

Doğrulama verisinde: Columbus (k = 5): Jarque-Bera 1.8358 (p = 0.3994), Breusch-Pagan 10.0128 (p = 0.006695), Koenker-Bassett 7.2166 (p = 0.0271), Belsley koşul sayısı 6.542, VIF HOVAL = INC = 1.333.

→ En küçük kareler (OLS) yöntemi

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

Kavram: Katsayıların, ρ'nun ve doğrudan, dolaylı ve toplam etkilerin aralık tahminlerinin güven düzeyini belirler.

Gündelik örnek: ρ için %95 güven aralığı [0,25; 0,65] ise komşu kiraların etkisi büyük olasılıkla orta düzeydedir ve sıfır değildir; %99 güvende aralık genişler.

Ne işe yarar: β, ρ ve etkiler için Wald z güven aralığı düzeyi.

Sonuca etkisi: Yalnız aralık sınırları değişir.

Doğrulama verisinde: Columbus (k = 5): ρ = 0.4649, SE 0.1155, %95 GA [0.2385, 0.6912].

→ 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'un 49 mahallesinde suç oranı (CRIME), konut değeri (HOVAL) ve gelir (INC) ile nasıl ilişkilidir ve bir mahallenin suç oranı komşularınınkinden etkilenir mi? (W: 5 en yakın komşu, satır standart.)
  • Varsayım / model seçimi: OLS artıklarında güçlü mekânsal otokorelasyon var (Moran I = 0.331, z = 4.78, p < .001). LM-lag (15.93) ve LM-error (15.19) ikisi de anlamlı; robust LM-lag (3.80, p = .051) robust LM-error'dan (3.06, p = .080) güçlü olduğundan SAR uygundur.
  • Sonuç: ρ = 0.465 (SE 0.115, z = 4.03, p < .001): komşu mahallelerin suç oranı yüksek olan mahallede suç da yüksektir. Konut değeri (β = -0.260, p = .002) ve gelir (β = -0.911, p = .003) suçu azaltır.
  • Etkiler: ρ ≠ 0 iken β'lar marjinal etki değildir. Gelirdeki 1 birimlik artışın doğrudan etkisi -0.954, komşulara yayılan dolaylı etkisi -0.748, toplam etkisi -1.702'dir (toplam p = .005); dolaylı etkiler %5 düzeyinde anlamlı değildir (HOVAL p = .089, INC p = .065).
  • Model uyumu: logL = -180.32, AIC = 370.63 (OLS 382.75); LR(ρ = 0) = 14.12, p < .001; pseudo R² = 0.68. Model artıklarında kalan otokorelasyon anlamlı değildir (Moran I = 0.111, p = .098).
  • Sınırlılık: n = 49 küçüktür; sonuçlar W seçimine (k-NN, k = 5) koşulludur.
  • APA: SAR (ML, k-NN W, k = 5, N = 49): ρ = 0.46, z = 4.03, p < .001; INC β = -0.91, p = .003; pseudo R² = .68, AIC = 370.63.

İlgili kavramlar

Mekânsal ağırlık matrisi (W)Mekânsal gecikme ve mekânsal Durbin modelleri (SAR, SDM, SDEM)İki aşamalı en küçük kareler (2SLS) ve LIMLEn küçük kareler (OLS) yöntemiUzaklık ölçüsü (Öklid, Manhattan, Gower, büyük daire)En çok olabilirlik (ML) kestirimiÖzdeğer ve özvektörAraç (enstrümantal) değişken ve içsellik

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