İki uzamsal nokta paterninin karşılaştırılması?
Yanıtlar:
Her zaman olduğu gibi, hedeflerinize ve verilerin niteliğine bağlıdır. İçin tamamen eşlenen veriler, güçlü bir araç Ripley'in L işlevi, bir yakın akrabası olan Ripley'in K fonksiyonu . Birçok yazılım bunu hesaplayabilir. ArcGIS bunu şimdi yapabilir; Kontrol etmedim. CrimeStat yapar. Yani do GeoDa ve R . İlişkili haritalarla kullanımına bir örnek
Sinton, DS ve W. Huber. Polka'yı ve Amerika'daki etnik mirasını haritalamak. Coğrafya Dergisi Cilt. 106: 41-47. 2007
Ripley's K'nin "L function" versiyonunun bir CrimeStat ekran görüntüsü:
Mavi eğri, rastgele olmayan bir nokta dağılımını belgelemektedir, çünkü sıfırı çevreleyen kırmızı ve yeşil bantlar arasında yer almamaktadır; bu, rastgele bir dağılımın L işlevi için mavi izin yatması gereken yerdir.
İçin örneklenmiş veriler, çok örnekleme doğasına bağlıdır. Bunun için iyi bir kaynak, matematikte ve istatistiklerde sınırlı (ancak tamamen bulunmayan) geçmişe sahip olanlar için erişilebilir, Steven Thompson'ın Sampling ders kitabıdır .
Genellikle istatistiksel karşılaştırmaların çoğu grafiksel olarak gösterilebilir ve tüm grafiksel karşılaştırmalar istatistiksel bir karşılığı temsil eder veya gösterir. Bu nedenle, istatistiksel literatürden edindiğiniz herhangi bir fikrin iki veri setini haritalandırmak veya grafiksel olarak karşılaştırmak için yararlı yollar önerme olasılığı yüksektir.
Not: Aşağıdaki yorum whuber'un yorumundan sonra düzenlendi
Bir Monte Carlo yaklaşımını benimsemek isteyebilirsiniz. İşte basit bir örnek. Suç olaylarının dağılımının A'nın B'ninkine istatistiksel olarak benzer olup olmadığını belirlemek istediğinizi varsayalım, A ve B olayları arasındaki istatistiği rastgele atanmış 'işaretler' için bu tür bir önlemin ampirik bir dağılımıyla karşılaştırabilirsiniz.
Mesela, A (beyaz) ve B (mavi) dağılımı göz önüne alındığında,
A ve B etiketlerini, birleşik veri kümesindeki TÜM noktalara rasgele yeniden atarsınız. Bu tek bir simülasyon örneğidir:
Bunu birçok kez tekrarlarsınız (999 kez söylersiniz) ve her bir simülasyon için, rasgele etiketlenmiş noktaları kullanarak bir istatistik (bu örnekte en yakın komşu istatistiği) hesaplarsınız. Aşağıdaki kod Parçacıkları olan R (kullanımını gerektirir spatstat kütüphanesi).
nn.sim = vector()
P.r = P
for(i in 1:999){
marks(P.r) = sample(P$marks) # Reassign labels at random, point locations don't change
nn.sim[i] = mean(nncross(split(P.r)$A,split(P.r)$B)$dist)
}
Daha sonra sonuçları grafiksel olarak karşılaştırabilirsiniz (kırmızı dikey çizgi orijinal istatistiktir),
hist(nn.sim,breaks=30)
abline(v=mean(nncross(split(P)$A,split(P)$B)$dist),col="red")
veya sayısal olarak.
# Compute empirical cumulative distribution
nn.sim.ecdf = ecdf(nn.sim)
# See how the original stat compares to the simulated distribution
nn.sim.ecdf(mean(nncross(split(P)$A,split(P)$B)$dist))
Ortalama en yakın komşu istatistiğinin, probleminiz için en iyi istatistiksel önlem olmayabilir. K-fonksiyonu gibi istatistikler daha açıklayıcı olabilir (whuber'in cevabına bakınız).
Yukarıdakiler ArcGIS içinde Modelbuilder kullanılarak kolayca uygulanabilir. Bir döngüde, her bir noktaya özellik değerlerini rastgele yeniden atama ve uzamsal bir istatistik hesaplayın. Bir tablodaki sonuçları taklit edebilmelisiniz.
spatstatpaketteki fonksiyonları kullanır .
CrimeStat'ı kontrol etmek isteyebilirsiniz.
Web sitesine göre:
CrimeStat, Ulusal Adalet Enstitüsü'nün (2011 1997-IJ-CX-0040, 1999-IJ-CX-0044 hibeleri ile finanse edilen) Ned Levine & Associates tarafından geliştirilen, suç olay yeri konumlarının analizi için kullanılan bir mekansal istatistik programıdır. 2002-IJ-CX-0007 ve 2005-IJ-CX-K037). Program Windows tabanlı ve çoğu masaüstü CBS programına sahip. Amaç, kanun uygulayıcı kurumlara ve ceza adaleti araştırmacılarına suç haritalama çabalarında yardımcı olacak ilave istatistiksel araçlar sağlamaktır. CrimeStat, dünyadaki pek çok polis departmanı tarafından, ceza adaleti ve diğer araştırmacılar tarafından kullanılıyor. En son sürüm 3.3'tür (CrimeStat III).
Basit ve hızlı bir yaklaşım, sıcaklık haritaları oluşturmak ve bu iki sıcaklık haritasının fark haritasını oluşturmak olabilir. İlgili: Etkili ısı haritaları nasıl kurulur?
Mekansal Oto-korelasyon hakkındaki literatürü gözden geçirdiğinizi varsayalım. ArcGIS'in sizin için Araç Kutusu komut dosyası ile yapması için çeşitli nokta ve tıklama araçlarına sahiptir: Mekansal İstatistik Araçları -> Modelleri Analiz Etme .
Geriye doğru çalışabilirsiniz - Bir araç bulun ve senaryonuza uygun olup olmadığını görmek için uygulanan algoritmayı inceleyin. Toprak minerallerinin oluşumundaki mekansal ilişkiyi araştırırken bir süre önce Moran Endeksini kullandım.
İki değişken ile anlamlılık düzeyi arasındaki istatistiksel korelasyon seviyesini belirlemek için birçok istatistik yazılımında iki değişkenli bir korelasyon analizi yapabilirsiniz. Daha sonra, bir kloroplet şeması kullanarak bir değişkeni ve diğer değişkenleri dereceli simgeleri kullanarak eşleyerek istatistiksel bulgularınızı yedekleyebilirsiniz. Bindirildikten sonra, hangi alanların yüksek / yüksek, yüksek / düşük ve düşük / düşük mekansal ilişkiler gösterdiğini belirleyebilirsiniz. Bu sunumun bazı iyi örnekleri var.
Ayrıca bazı eşsiz jeo-görselleştirme yazılımlarını deneyebilirsiniz. Bu tür görselleştirme için CommonGIS'i gerçekten seviyorum. Bir mahalle (örneğin) seçebilirsiniz ve tüm faydalı istatistikler ve grafikler hemen size açık olacaktır. Çok değişkenli haritaların analizini oldukça zahmetsiz hale getirir.
Bir kuadrat analizi bunun için iyi olurdu. Farklı nokta veri katmanlarının uzamsal kalıplarını vurgulayabilen ve karşılaştırabilen bir GIS yaklaşımıdır.
Çok noktalı veri katmanları arasındaki uzamsal ilişkileri ölçen bir kuadrat analizinin ana hatları http://www.nccu.edu/academics/sc/artsandsciences/geospatialscience/_documents/se_daag_poster.pdf adresinde bulunabilir .