Der von mir verwendete Datensatz enthält Einkommensdaten pro Bereich. Die Werte sind nicht normal verteilt, wie in der folgenden Abbildung dargestellt. Global Morans I zeigt signifikante räumliche Muster an und Local Morans I findet signifikante heiße und kalte Stellen (entsprechend dem p-Wert). Wenn ich den Z-Score überprüfe, stellt sich heraus, dass die kalten Stellen keine signifikanten Werte erreichen. Könnte dies an der Verteilung der Einkommenswerte liegen? Gibt es etwas, das ich anders machen sollte? Vielleicht das Log-Einkommen verwenden?
Oder kann ich den Z-Score einfach ignorieren, solange die p-Werte in Ordnung sind (= signifikant, <0,05)?
(Verwenden von PySAL zur Berechnung von Global und Local Morans I.)
Hier ist das Histogramm der Log-Einkommen:
Aktualisieren:
Ich habe kürzlich einen anderen Einkommensdatensatz aus einem anderen Land erworben, in dem die Einkommenswerte normalerweise verteilt sind. Die I-Berechnungen von Local Moran für diesen Datensatz führen zu signifikanten heißen und kalten Stellen sowohl nach p-Wert als auch nach z-Score:
quelle
Antworten:
So wie ich es verstehe ... und ich würde mich freuen, korrigiert zu werden ... die lokalen Morans Ich suche nach räumlicher Autokorrelation in lokalen Werten (dh relativ zu den angrenzenden Gebieten), ungefähr wie eine GeoWeighted-Version von Global Morans I. Im Vergleich zu sagen Gettis Ord, der räumliche Cluster globaler Extremwerte identifiziert.
Wenn ja, scheint das Ergebnis mit Ihrer Karte übereinzustimmen, signifikantes Z für die kleine Region mit sehr hohem Einkommen, während der blaue Bereich nur ein breites Becken innerhalb einer allmählicheren lokalen Oberfläche ist.
Die Bedeutung des Z-Werts hängt also davon ab, ob Sie nur nach Clustern mit hohem und niedrigem Einkommen suchen oder nach Clustern mit steilen Grenzen, z. B. wenn Sie die tatsächliche mit der wahrgenommenen Einkommensungleichheit vergleichen.
quelle