空间地理加权回归stata_空间分析工具 | 地理加权回归（GWR）

点击蓝字

关注我们

地理加权回归模型

概念：

地理加权回归(Geographically weighted regression, GWR)是一种空间分析技术，广泛应用于地理学及涉及空间模式分析的相关学科。GWR通过建立空间范围内每个点处的局部回归方程，来探索研究对象在某一尺度下的空间变化及相关驱动因素，并可用于对未来结果的预测。由于它考虑到了空间对象的局部效应，因此其优势是具有更高的准确性。

地理加权回归 (GWR) 是用于地理及其他学科的若干空间回归技术中的一种。通过对数据集中的各要素拟合回归方程，GWR可以评估您要尝试了解或预测的变量或过程的局部模型。

原理

principle

GWR构建这些独立方程的方法是：将落在每个目标要素的邻域内的要素的因变量和解释变量进行合并。所分析的每个邻域的形状和范围取决于邻域类型和邻域选择方法参数。GWR通常被要求用于处理包含数百个要素的数据集。它不适用于小型数据集，也不能用于处理多点数据。

适用条件

地理加权回归可用于各种应用，例如：

整个研究区域的教育程度和收入之间的关系是否一致？

特定疾病或传染病的患病几率是否会随着与水体要素的接近而增加？

有哪些关键可变因素可以解释森林火灾频发的原因？

应对哪些栖息地加以保护以促进濒危物种的再引入？

哪些地区的孩子会取得高测试分数？似乎与哪些特征联系在一起？每个特征分别在哪些地方最为重要？

影响高患癌率的因素是否在研究区域内保持一致？

应用｜领域

下表为地理加权回归(GWR)在一些方面的运用，通过对解决问题、区域、数据源、研究结论等进行统计，发现地理加权回归在地理分析、经济、社会、环境、区域发展、人口增长等领域有着极其重要的作用。

具体扩展参数说明

从上面的提示上可以看见，整个扩展部分，都是可选，也就是说，有它行，没他也不影响结果。这些参数的作用如下所示：

1. Coefficient raster workspace｜系数栅格工作空间

GWR的一个强大之处在于它允许探索空间变化关系。创建系数栅格就是一种可将解释变量和因变量之间关系的跨空间变化可视化的方法。为系数栅格工作空间参数提供路径名称时，GWR工具将为模型截距和每个解释变量创建系数栅格表面。栅格的分辨率由像元大小环境来控制。使用邻域类型和局部权重方案参数，在每个栅格像元周围构建邻域(核)。基于距离的权重将根据从栅格像元中心到邻域(带宽)内所有输入要素的距离进行计算。这些权重将用于计算该栅格像元的唯一回归方程。由于基于距离的权重发生变化，并且落在邻域(带宽)内的输入要素可能不同，因此不同栅格像元之间的系数会有所不同。

2. Output cell size｜输出单元大小

地理加权回归工具会生成各种不同的输出。在工具执行期间，GWR模型的汇总和统计汇总可作为地理处理窗格底部的消息使用。要访问消息，请将鼠标指针悬停在进度条上、单击弹出按钮或展开地理处理窗格中的消息部分。您还可以通过地理处理历史访问之前运行地理加权回归工具的消息。此工具还将生成输出要素、图表和可选的输出预测要素和系数栅格表面。输出要素和关联图表将自动添加到内容窗格中，并会对模型残差应用热/冷渲染方案。生成的诊断和图表取决于输入要素的模型类型。

3~5. 用于预测填充

可以使用已创建的回归模型对同一研究区域内的其他要素(点或面)进行预测。要创建这些预测，每个预测位置都应包含每个所提供的解释变量的对应值。如果输入要素和预测位置参数中的字段名称不匹配，则将提供变量匹配参数。当匹配解释变量时，输入要素和预测位置参数中的字段必须属于同一类型(例如，双精度字段必须与双精度字段匹配)。

GWR模型应用示例

策划：大花猫

素材：杨鹏飞

编辑：赵诚诚

有你认识的人吗？点“分享”，告诉TA