مدل سازی روابط مکانی در آمار فضایی با استفاده از OLS و GWR – آپدیت شده

توضیحات

از میان روشهای مختلف خطی برای برآورد پارامترهای مدل، روش Ordinary Least Squares یا همان حداقل مربعات معمولی به خاطر خواص مطلوبی (البته هنگامی که فروض این روش برقرار باشند) که دارد به عنوان پرکاربردترین و غالب ترین روش شناخته شده است. در آمار، حداقل مربعات معمولی یا کمینه مربعات معمولی روشی است برای برآورد پارامترهای مجهول در مدل رگرسیون خطی از طریق کمینه کردن اختلاف بین متغیرهای جواب مشاهده شده در مجموعه داده است.

در این آموزش به کاربرد رگرسیون وزنی جغرافیایی یا Geographically Weighted Regression در بررسی روابط مکانی بین داده ها و پیداکردن مهمترین عامل تاثیرگذار (به صورت محلی) برروی متغیر وابسته و نقشه کردن آن، همچنین پیش بینی صحیح بر پایه مدل ایجاد شده پرداخته می شود.

 این روش ها در بسیاری علوم از جمله: علوم پزشکی، بهداشت، کشاورزی، منابع طبیعی، محیط زیست، جغرافیا، شهرسازی، برنامه ریزی شهری، علوم زمین، علوم اجتماعی، اقتصاد، علوم سیاسی و مهندسی برق و… کاربرد دارند.

 بررسی مهمترین عوامل تاثیر گذار بر روی متغیر وابسته در نگاه سطحی ساده به نظر می رسد اما یکی از سخت ترین و مهمترین مراحل مدل سازی رگرسیون است. در این آموزش به کاربرد رگرسیون حداقل مربعات معمولی یا Ordinary least Squares در تجزیه و تحلیل روابط مکانی بین داده ها و الگوهای مکانی عوامل مستقل پرداخته شده است. رگرسیون حداقل مربعات معمولی یک روش رگرسیون عمومی یا Global می باشد

رگرسیون وزنی جغرافیایی (GWR)، یک روش رگرسیون محلی (Local) و فضایی است که برای مدل سازی روابط متغیر های فضایی استفاده می شود. تحلیل رگرسیون این امکان را به شما می دهد که به مدلسازی، بررسی و اکتشاف روابط مکانی بین داده ها بپردازید تا الگوهای مکانی عوامل مشاهده شده (متغیرهای مستقل) را بهتر درک کنید و پیش بینی صحیحی را بر پایه این عوامل ارائه دهید.

گاهی اوقات در زندگی روزمره با حادثه ها یا اتفاقاتی رو به رو می شویم که ما را کنجکاو می کند تا عواملی که در بروز این اتفاقات دخیل هستند را جستجو کنیم، چراکه شاید این اتفاقات در آینده هم بروز کند. برای مثال این حادثه می تواند بروز سیل، آتش سوزی، زلزله، تورم، افزایش جرایم، افزایش نرخ فقر، افزایش میزان تماس های اضطراری به مراکز اورژانس، کاهش نرخ تولد، افزایش آفات کشاورزی، فرونشست و کاهش منابع آب های زیر زمینی و شیوع یک بیماری و غیره باشد.

قطعاً در بروز هر کدام از این موارد عواملی دخیل خواهد بود که خسارات ناشی از آن ها را چندین برابر خواهد کرد. شاید انتخاب این عوامل در ظاهر ساده به نظر برسد، اما این طور نیست و یکی از سخت ترین و زمانبرترین مراحل در هر مطالعه ای است. ما با استفاده از این تحلیل ها به راحتی می‌توانیم عوامل موثر در بروز هر حادثه (انسانی یا طبیعی) را پیدا کرده و برای آن یک برنامه ریزی میان مدت و طولانی مدت داشته باشیم، که خود باعث صرفه جویی در هزینه های مالی و زمانی خواهد شد.

شما علاوه بر انجام پروژه های علمی خود می توانید در زندگی و محل کار نیز از این تحلیل ها استفاده کرده و از نقشه های تهیه شده از آن نهایت استفاده را ببرید.

توجه:

این اموزش نسخه کاملتر و باز تولید شده دو آموزش قبلی OLS و GWR است که صورت کامل تر و با توضیحات بیشتر باز تولید شده است

بخشی از آموزش:

عناوین آموزشی

عناوین آموزشی شامل موارد زیر می باشد:

جلسه اول:

مبانی نظری تحلیل رگرسیون مربعات معمولی (OLS) و رگرسیون وزنی جغرافیایی(GWR)

کاربرد رگرسیون مربعات معمولی و رگرسیون وزنی جغرافیایی در بررسی روابط فضایی بین داده ها

بررسی معادله رگرسیون حاصل از تحلیل OLS و مقایسه آن با GWR

بررسی ضرایب متغیرهای توضیحی

بررسی و مقایسه  متغیر وابسته ی واقعی و متغیر وابسته پیش بینی شده توسط مدل

متصل کردن اطلاعات متغیرها به جی آی اس

بررسی اجمالی اطلاعات توصیفی لایه مطالعه

انتخاب کردن عارضه ها قبل از تحلیل

نحوه ذخیره کردن اطلاعات توصیفی GIS در اکسل

کاربرد ابزار (Connect to folder) برای یافتن فایل هدف

بررسی روابط بین متغیرهای مستقل و متغیر وابسته

جلسه دوم:

اهمیت تحلیل OLS در جی آی اس

انتخاب مسیر لایه های خروجی از تحلیل ها

کاربرد تحلیل حداقل مربعات در بررسی روابط بین متغیرها

تحلیل خلاصه نتایج حاصل از مدل سازی

جلسه سوم:

تحلیل هفت فاکتور مهم برای ایجاد مدل

بررسی نوع و میزان ارتباط بین ضرایب متغیرها

بررسی کردن VIF

بررسی معنی دار بودن متغیر ها از نظر آماری

بررسی کردن Koenker Statistics (BP)

بررسی کردن Jarque-Bera

تاثیر شاخص Garque- Bera درنوع توزیع فضایی باقیمانده‌ها

استفاده از آزمون خود همبستگی فضایی در توزیع فضایی باقیمانده‌ها

بررسی دو فاکتور (AIC,R-Squared) جهت اندازه گیری کارایی مدل

مقایسه Adjusted R-Squared  با Multiple R-Squared

جلسه چهارم:

کاربرد نمودار پراکندگی (Scatter Plot) در بررسی روابط ضرایب متغیرها

بررسی روابط متغیر ها بین نمودار پراکندگی با نتایج حاصل از تحلیل OLS

ادغام کردن متغیرهای توضیحی در صورتی که یکی از متغیرها دارای VIF بالا باشد

جلسه پنجم:

ابزار تحلیل رگرسیون وزنی جغرافیایی

بررسی ضرایب متغیرها به تفکیک هر منطقه

پیش بینی متغیر وابسته توسط مدل ایجاد شده در ده سال آینده

بررسی و تحلیل نوع کرنل، روش پهنای باند، فاصله و تعداد همسایه ها

مقایسه مدل GWR و OLS

کاربرد Symbology در دسته بندی اطلاعات

مقایسه میزان متغیر وابسته واقعی و متغیر وابسته پیش‌بینی شده در ۱۰ سال آینده

مباحث مرتبط با این آموزش:

• استادی زمین آمار در نرم افزار ArcGIS – جامع ترین بسته آموزشی زمین آمار
• کتابچه آشنایی با روش های عملی زمین آمار در ArcGIS و +GS و SPSS
• تهیه نقشه بافت خاک با استفاده از زمین آمار و سنجش از دور