Bivariate Morans I / LISA so ändern, dass sie sich selbst einschließt?

8

Ich verwende die I-Funktion von Bivariate Moran von GeoDa, um Kollokationsmuster zwischen zwei Variablen auf Kreisebene zu untersuchen (nennen Sie sie vorerst A und B).

Ich weiß, dass ich nach Durchführung der Analyse Dinge wie "Grafschaften mit einem hohen Wert für A neigen dazu, Nachbarn mit einem hohen Wert für B zu haben" sagen kann.

Was ich eher sagen würde, ist, dass "Landkreise mit einem hohen Wert von A dazu neigen, sich in Regionen mit einem hohen Wert von B niederzulassen". Der Unterschied besteht darin, dass letztere den Landkreis, in dem A hoch ist, sowie seine Nachbarn zu umfassen scheinen Ersteres umfasst nur die Nachbarn.

Ich kann meinen Weg sehen, dies zu ändern - einfach jeden Landkreis zu seinem eigenen Nachbarn in der Gewichtsmatrix zu machen, aber ich habe mich gefragt, welche Art von Chaos dies für meine Werte für mich und den Rest der Diagnose bedeuten würde.

PS. Wenn Sie auf diese identische Frage stoßen, die ich hier gestellt habe: https://groups.google.com/forum/?fromgroups#!topic/openspace-list/WUL1kQkenWo

Bitte beachten Sie, dass die Antwort, die ich erhielt, falsch war, wie von einem ziemlich wütenden Rezensenten sorgfältig hervorgehoben wurde.

csfowler
quelle
Ich denke, es ist lediglich eine methodologische Frage, die mehr mit Statistik als mit GIS zu tun hat. Wie auch immer, wenn Sie den Ort als seinen eigenen Nachbarn nehmen, berechnen Sie das Verhältnis seines Wertes zu sich selbst im Gegensatz zum Verhältnis des Wertes zu seinen Nachbarn, daher denke ich, dass dies kein korrekter Ansatz ist. Ich würde auf jeden Fall einen Statistiker konsultieren
Zbynek

Antworten:

1

Die Matrixdiagonale repräsentiert das Eigenpotential. Wenn Sie nach Moran-I auflösen, entfernen Sie normalerweise die Diagonale der Matrix. In der GeoDa-Dokumentation kann ich jedoch nichts finden, was das Standardverhalten der Statistik erklärt. Ich habe noch nie Optionen zum Ableiten von interzonalen Gewichten gesehen, daher würde ich mir vorstellen, dass die Diagonale entfernt wird, da sie 0 ist. Möglicherweise müssen Sie die Autoren kontaktieren, um eine endgültige Antwort zu erhalten.

Ich weiß, dass die ArcGIS-Implementierung eine Option zum Einbeziehen des Eigenpotenzials in den univariaten Fall bietet (leider keine bivariate Implementierung). Sie haben jedoch keine korrekte Teststatistik und der z-Wert und der p-Wert sind bei nicht normalen Verteilungen nicht stabil.

Wahrscheinlich können Sie dies nur implementieren, indem Sie es selbst in PySal oder R codieren. Das univariate interzonale Gewicht wird wie folgt berechnet: dij = 0,5 * [(Aij / π) ** 0,5], aber Sie müssen Finden Sie die bivariate Anpassung heraus. Wenn Sie dies implementieren, müssen Sie lange und gründlich über die Bedeutung nachdenken. Ich bin mir nicht sicher, ob es Ihnen das liefern wird, was Sie denken.

Sie können eine Scan-Statistik verwenden, die unter bestimmten Verteilungsannahmen besser für die räumliche Zeitreihenanalyse geeignet ist. Dies würde Ihnen einen geeigneteren Rahmen für das Testen von Hypothesen bieten. Ich würde auch Crimestat untersuchen . Soweit ich mich erinnere, gibt es eine gewisse Flexibilität bei der Definition des Kontingenzverhaltens und es gibt einen bivariaten Moran-I / LISA.

Sie können auch ein autoregressives Modell in Betracht ziehen (Li et al., 2007). Diese Methode skaliert das Maß um eine Funktion der Eigenwerte der räumlichen Gewichtsmatrix neu und liefert ein viel robusteres Maß für die räumliche Abhängigkeit.

Li, H., C.A. Calder and N. Cressie. (2007). Beyond Moran’s I: Testing for spatial   
  dependence based on the spatial autoregressive model. Geographical Analysis 
  39:357–375. 

Es tut uns leid, dass wir keine endgültigere Antwort geben können.

Jeffrey Evans
quelle