地理加权回归模型——一种局部的空间回归分析方法

GWR模型的用法 GWR模型的用法 用法1:利用4个解释变量与SO2浓度建立GWR模型;随后呈现4个解释变量的回归系数的空间分布;最后考虑解释变量的回归系数与解释变量之间的关系。 The impact ofanthropogenic emissions andmeteorological conditions on the spatial variation ofambient SO2 concentration... 阅读详情
AI摘要

文章介绍了地理加权回归(GWR)模型,一种考虑空间位置影响的局部回归模型,能捕捉空间数据的非平稳性。文章详细讲解了模型原理、空间权重矩阵、参数估计以及优缺点,并给出了Python实现示例。

        地理加权回归(GWR)是一种局部的空间回归分析方法,它允许模型参数在空间上变化,从而能够捕捉到空间数据的局部空间非平稳性。GWR模型的基本思想是在回归分析中引入空间权重,使得模型能够根据地理位置的邻近程度对观测值进行加权。

1. GWR模型的基本形式

y_{i} = \beta (u_{i})\cdot X_{i}+\varepsilon _{i}

其中,y{_{i}}是第i个观测变量,X_{i} 是第i个观测值的自变量向量,\beta (u_{i})是空间上变化的回归系数向量,u_{i}表示第i个观测值的地理位置,\varepsilon _{i}是第i个观测值的误差项。 

2. 空间权重矩阵

        GWR模型中的关键部分是空间权重矩阵 W,它根据观测值之间的空间距离来定义权重。权重通常由空间权重函数 W(h_{ij}) 计算得出,其中​h_{ij}是第 i个和第j个观测值之间的空间距离。权重函数可以是高斯函数、双平方指数函数等。


3. 模型参数估计

        GWR模型的参数估计通常采用最大似然估计方法。通过最大化似然函数,可以得到回归系数的估计值。

4. 模型优缺点

4.1 优点

  • 局部空间非平稳性:GWR能够捕捉到空间数据的局部空间非平稳性,即模型参数在空间上的变化。
  • 灵活性:模型允许参数随位置变化,提供了一种灵活的方式来分析空间数据。
  • 可视化:GWR模型的局部估计可以生成空间效应的可视化,帮助理解不同区域的空间关系。

4.2 缺点

  • 模型复杂性:由于参数空间变化,模型可能会变得复杂,难以解释。
  • 过度拟合:如果空间权重过大,可能会导致模型对局部数据过度拟合。
  • 选择带宽:需要选择合适的带宽(bandwidth),这可能需要依赖于经验或交叉验证

        GWR模型在地理学、环境科学、流行病学等领域中有着广泛的应用,尤其是在分析空间数据时,能够提供比传统全局回归模型更深入的洞察。

5. python实现

        我们在这里给出一段Python代码,使用了各个省份的省会的经纬度作为空间位置的衡量,使用了bi-square函数作为核函数,使用了AIC(赤池信息准责)和BIC(贝叶斯信息准则)确定最优带宽,来帮助读者更好的理解和实现:

import os
import pandas as pd
from mgwr.gwr import GWR
from mgwr.sel_bw import Sel_BW
import numpy as np
from sklearn.utils import check_array  # 添加这一行来导入check_array
from sklearn.utils.validation import check_array

import os
os.environ['PYTHONUTF8'] = '1'
os.environ['PYTHONIOENCODING'] = 'utf-8'

# 步骤 1: 加载数据
# 使用'openpyxl'引擎来读取Excel文件
data = pd.read_excel('shu_ju_ji.xlsx', engine='openpyxl')




# 检查数据是否包含“经度”和“纬度”列
#print(data.dtypes)

# 将非数值列转换为数值类型(float或int)
# 这里需要确保所有自变量的列名都是正确的,并且存在于data中
numeric_columns = ['GDP', '人口密度', '城乡人均收入比值', '分省政府网站数量',
                   '网民人数', '互联网普及率', '互联网宽带接入端口数量', '光缆线路长度',
                   '老年人占比', '性别比', '流量', '高中及以上学历占比',
                   '本科及以上学历占比', '经度值', '纬度值']

# 确保所有自变量都是数值类型
for col in numeric_columns:
    data[col] = pd.to_numeric(data[col], errors='coerce')  # errors='coerce' 会将无法转换的值设置为NaN

# 移除包含NaN的行,如果需要的话
data = data.dropna()

# 定义自变量的列名
independent_vars = ['GDP']  # 示例中只选择'GDP'作为自变量
dependent_var = 'RSR拟合值'

# 确保所有自变量和因变量都是数值类型
for col in independent_vars + [dependent_var]:
    data[col] = pd.to_numeric(data[col], errors='coerce')  # errors='coerce' 会将无法转换的值设置为NaN

# 移除包含NaN的行
data = data.dropna(subset=independent_vars + [dependent_var])

# 提取自变量和因变量
X = data[independent_vars].values.astype('float64')  # 确保X是2D数组
y = data[dependent_var].values.astype('float64').reshape((-1, 1))  # 确保y是2D数组

# 检查X和y的大小
print(f"X shape: {X.shape}")
print(f"y shape: {y.shape}")

# 如果X或y是空的,处理数据问题
if X.size == 0 or y.size == 0:
    raise ValueError("One of the input arrays is empty. Please check the data.")

# 提取经纬度用于地理权重
coords = data[['经度值', '纬度值']].values

# 选择带宽
bw = Sel_BW(coords, y, X, fixed=False, kernel='bisquare').search()
print(f'Optimal bandwidth: {bw}')

# 拟合GWR模型

model = GWR(coords, y, X, bw=bw, fixed=False, kernel='bisquare')
results = model.fit()

# 输出地理加权回归的摘要统计信息
print(results.summary())

# 获取局部估计的参数
local_params = results.params

# 打印每个观测点的局部估计参数
print("\nLocally Estimated Parameters for Each Observation:")
for i, params in enumerate(local_params):
    print(f"Observation {i+1}: "
          f"Intercept: {params[0]:.4f}, "
          f"GDP Coefficient: {params[1]:.4f}")

# 如果您需要构建每个观测点的局部回归方程,可以这样做:
print("\nLocal Regression Equations for Each Observation:")
for i, params in enumerate(local_params):
    eqn = f"RSR拟合值 = {params[0]:.4f} + {params[1]:.4f} * GDP"
    print(f"Observation {i+1}: {eqn}")

6. 结论

        GWR模型在地理学、环境科学、流行病学等领域中有着广泛的应用,尤其在分析空间数据时,能够提供比传统全局回归模型更深入的洞察。

基于python的时空地理加权回归(GTWR)模型 时空地理加权回归(GTWR)模型是由美国科罗拉多州立大学的Andy Liaw、Stanley A. Fiel和Michael E. Bock于2008年提出的一种高级空间统计分析方法。它是在传统地理加权回归(GWR)模型的基础上发展起来的,通过结合时间和空间两个维度,提供了一种更为灵活和精确的时空数据分析手段。背景和发展传统的地理加权回归(GWR)模型主要关注地理空间上的数据变化,通过引入地理位置的权重,来刻画不同地理位置下变量之间的关系。 阅读详情

相关推荐

arcgis如何做lisa集聚图_如何用ArcGIS做GTWR 时空地理加权回归分析

空间异质性是空间计量回归的重要研究对象,通常采用地理加权回归模型进行分析,而ArcGIS自带工具箱只能支持截面数据的地理加权回归。要分析面板数据则采用地理和时间加权回归( GTWR),该模型是一个局部线性回归模型,可以同时考虑空间和时间非平稳性。GTWR 设计体现了局部加权方案,其中地理加权回归( GWR)和时间加权回归( TWR)成为 GTWR 的特殊情况。GTWR 可以支持时点和...

weixin_39624980的博客 1万+

(学习笔记)地理加权回归(GWR)、多尺度地理加权回归(MGWR)原理与软件实现

本文来自多篇文章,本文为学习笔记。 1引言 回归分析是最常用的社会科学统计方法。回归用于评估两个或更多要素属性之间的关系。通过回归分析,我们可以对空间关系进行建模、检查和探究;回归分析还可以帮助解释所观测到的空间模式背后的诸多因素,例如为什么有些地区会持续发生年轻人早逝或者糖尿病的发病率比预期要高的情况。 回归可以分为两类,一类是线性回归,另一类是非线性的基于机器学习算法的回归。 线性回归,用来确定两种或两种以上变量间相互依赖的定量关系。包括普通最小二乘法OLS (Ordinary Lea..

qq_55655027的博客 9万+

加权回归估计_地理加权回归模型简介

1 基本模型在地学空间分析中 , n 组观测数据通常是在 n 个不同地理位置上获取的样本数据 , 全局空间回归模型就是假定回归参数与样本数据的地理位置无关 , 或者说在整个空间研究区域内保持稳定一致 , 那么在 n 个不同地理位置上获取的样本数据 , 就等同于在同一地理位置上获取的 n 个样本数据 , 其回归模型与 最小二乘法回归模型 相同 , 采用最小二乘估计得到的回归参数户既是该点的...

weixin_34405084的博客 4313

地理加权回归GWR简介

地理加权回归GWR简介

hsg77的专栏 4263

空间回归分析笔记3——OLS、GWR输出结果的意义

OLS 1. 评估模型性能。 如果“校正可决系数”的值为 0.39,则表示您的模型(解释变量使用线性回归建模)可解释因变量中大约 39% 的变化 2. 评估模型中的每一个解释变量: 每个解释变量的系数既反映它与因变量之间的关系强度,也反映它与因变量之间的关系类型。当与系数关联的符号为负时,该系数与因变量为负向关系。 T 检验用来评估某个解释变量是否具有统计显著性。零假设是指所有的意图和目的的系数值...

weixin_44434081的博客 1万+

回归标准差和残差平方和的关系_GWR|ArcGIS中地理加权回归的操作与解读(二)地理加权回归操作与结果解读...

点击上方蓝色字体,关注我们“站在巨人的肩膀上,俯瞰世界。”几点说明:1.本文使用的软件是:ArcGIS10.72.本文从应用角度出发,侧重于操作方法,有关理论基础和数学推导可参考其他公开发表的论文3.主要参考来源:ArcGIS帮助文档、公众号:曾冰在路上,虾神daxialu4.考虑到本人水平有限,如有错误,欢迎大家批评指教!5.如果本文对您有所帮助,欢迎点赞、转发与在看!感谢!6.关注公...

weixin_36110344的博客 1万+

机器学习笔记:地理加权回归(GWR)

地理加权回归(Geographically Weighted Regression,GWR)是传统回归分析的扩展。适用于研究对象的数据在空间上呈现出显著的地理差异性。允许模型参数随空间位置的变化而变化,从而更好地捕捉和解释空间数据的局部特征。

qq_40206371的博客 6896

ArcMap|时空地理加权回归(GTWR)

ArcGIS的GTWR插件下载地址:https://www.researchgate.net/publication/329518786_GTWR_ADDIN_Valid_till_Dec_31_2022 更详细的操作参考: https://www.bilibili.com/video/BV1fR4y1M7xB?spm_id_from=333.999.0.0 https://blog.csdn.net/weixin_40008135/article/details/112693520 双击“GTWR_Be

个人学习笔记 1万+

【空间插值】地理加权回归模型(GWR, Geographically Weighted Regression)

地理加权回归模型(GWR, Geographically Weighted Regression)

WW、forever的博客 7268

地理加权回归R语言实例

目录数据准备加载需要的R包导入空间数据空间自相关分析空间邻域面数据空间邻域点数据空间邻域全局空间自相关局部空间自相关空间回归分析线性回归分析地理加权回归 经典的线性回归模型是建立在最小二乘法 (OLS模型) 基础上对参数进行“平均”或“全局”估计。如果自变量为空间数据,且自变量间存在空间自相关性,传统回归模型(OLS模型)残差项独立的假设将无法满足。地理加权回归(GWR)模型能够反映参数在不同空间的空间非平稳性,使变量间的关系可以随空间位置的变化而变化,其结果更符合客观实际,能反映局部情况。 杨晴青,刘倩

qingchen98的博客 8593

基于PID的定速巡航控制系统设计【MATLAB源码+Word文档】

本文详细介绍了定速巡航控制是一种车辆驾驶辅助系统,它能让驾驶者在高速或长途驾驶时,设定一个固定的车速,然后车辆会自动维持这个速度行驶,无需驾驶者持续踩油门。这大大减轻了驾驶者的疲劳,同时也提高了行驶的安全性。PID定速巡航控制系统是一种利用比例(Proportional)、积分(Integral)和微分(Derivative)控制算法来实现车辆定速巡航的先进系统。这种系统能够根据设定的速度,自动调整油门开度或制动力度,使车辆保持恒定的速度行驶。这种控制系统具有响应速度快、控制精度高、稳定性好等优点。

weixin_761237174的博客 1670

ArcGIS Pro中的回归分析浅析(下)地理加权回归工具(GWR)使用&小结

内容导读 1)回归概念介绍; 2)探索性回归工具(解释变量的选择)使用; 3)广义线性回归工具(GLR)使用; *加更:广义线性回归工具的补充内容 4)地理加权回归工具(GWR)使用+小结。 说明:本节是这个学习笔记最后一部分。 PART/ 04 地理加权回归工具(GWR)使用 上一节我们讲了GLR广义线性回归,它是一种全局模型,可以构造出最佳描述研究区域中整体数据关系的方程。如果这些关系在研究区域中是一致的,则 GLR 回归方程可以对这些关系进行很好的建模。不过,当这些关系在研

GIS骆驼的GIS博客 2万+

无刷直流电机矢量控制(四):基于滑模观测器的无传感器控制

无刷直流电机矢量控制,采用转速、电流双环控制,电流环dq解耦,d轴采用id=0控制,q轴采用转速外环。采用滑模观测器(SMO),根据电压电流信息进行电机位置角度动态估算,模型可直接运行,转速和角度跟踪精度较高。 本文整理了该方法的基本原理,介绍了在MATLAB/Simulink中的建模和仿真过程,最后附上完整的模型文件。 一、基本原理 滑模观测器(下文简称SMO)是基于滑模变结构控制方法的一种状态观测器。其针对无刷直流电机转子位置估算的实现过程如下。 假设采用矢量控...

Forster-C的博客 6870

ArcGIS与地理加权回归GWR【一】

公众号原文 ArcGIS与地理加权回归GWR【一】https://mp.weixin.qq.com/s/fMPYxO3G7ff2192ZQICN-A 开个新坑啊,写一写关于地理加权回归基础的东西(深了我也不会啊),希望也能用通俗的语言来记录一下我以前学习空间统计过程中的理解。 1. 传统线性回归 不管你有没有系统学习过,对于线性回归,相信多少都有那么点了解。回归分析实质上就是研究一个或多个自变量X对一个因变量Y的影响关系情况,如研究各地房价影响因素。X1-Xn是n个自变量,β0-βn是未

weixin_45709844的博客 1万+

分位数回归和stata

分位数回归与stata 找了半天也没找到我想看的那种完整点的stata教程,只好自己写一个了… 参考教材:《用STATA学微观计量经济学》&《高级计量经济学及STATA应用_第2版》 第一部分 纯理论 更加详细的百度吧,很长很长,这里主要是拿来和ols比较。ols是均值回归,求解的方法是残差的平方最小,而这里就是对残差的绝对值用分位数做惩罚。(思想了解一下即可) 第二部分 Stata...

Joycezzz的博客 1万+

深入解析ACS SPiiPlus运动控制器的托管API架构与实战应用

本文深入解析了ACS SPiiPlus运动控制器的托管API架构,详细介绍了其核心模块、设计哲学与实战应用。通过C#/.NET封装的托管接口,开发者能够高效实现多轴协同运动控制、EtherCAT总线集成以及事件驱动的异步编程,显著提升高精度工业自动化设备的开发效率与系统稳定性。

jwt8token的博客 865

加权回归估计_地理加权回归模型介绍

写这篇文章的目的:最近看了一篇删失数据中的地理加权COX模型,COX模型中考虑加入患者地理位置信息。该文章主要是理论推导类问题文章,文章中算法对应R包还未发布。发布后,在模型中添加患者地理信息也是个不错的点。在地学空间分析中,n组观测数据通常是在n个不同地理位置上获取的样本数据,全局空间回归模型就是假定回归参数与样本数据的地理位置无关,或者说在整个空间研究区域内保持稳定一致,那么在n个不...

weixin_33364098的博客 7598

MBIST --- PATR1.Memorybist测试原理

mem bist作为现在design设计中不可或缺的DFT设计内容,越发重要。本章节主要介绍mem bist组成部分,测试的原理以及注意事项。

sinat_27691203的博客 1万+

空间统计(四)回归分析探索

在上一篇文章中,我提到的这些工具都是用于研究数据有什么样的空间模式,哪里聚类?哪里是热点?哪里有冷点?哪里有异常值?等等,总之研究的是“生米煮成熟饭”的结果状态。而“空间关系建模”工具箱中的工具,更倾向于研究 Why? 例如,为什么会出现这种情况? 或者说什么导致了这种情况。这时我们就可以使用工具进行回归分析,如:普通最小二成法(OLS) 和 地理加权回归(GWR)。 你可能会问,为什么要进行回归分

慕名ArcGIS 1万+

Jetson agx Orin 适配Xenomai4

例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。

xiaoning132的专栏 470

微信文件自动归档!手把手教你用OpenClaw搭个自己的“数字员工”,告别重复劳动

很多人说“AI是未来”,但未来不是靠喊口号的。OpenClaw的真正价值,是让你把重复劳动交出去,把时间留给真正需要创造力的事。这事真能干,而且不难。下载OpenClaw(GitHub仓库按我写的步骤跑一遍遇到坑,评论区留言——我亲自帮你看作者后记:上周五,我让AI自动归档了文件后,终于在5点准时下班。回家路上,我给它发了条消息:“干得漂亮”。它没回,但我知道——它在默默等我的下一条指令。

2601_94871597的博客 421

白话空间统计二十四:地理加权回归(一)

当一个数据,在A区域内有很强的解释能力,比如在威海市,人口数量对财政收入的变化,可解释性超过了96%,但是同样居于鲁东的青岛,只有1%,简直就不能用不显著来形容。这种在不同区域具有不同性质的情况,就是在空间分析里面无所不在的空间异质性了……

5万+

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

用ArcGIS做GTWR 时空地理加权回归分析

空间异质性是空间计量回归的重要研究对象,通常采用地理加权回归模型进行分析,而ArcGIS自带工具箱只能支持截面数据的地理加权回归。AICc 不是拟合优度的绝对度量,但是对于比较具有不同解释变量的模型是有用的,只要它们应用于相同的因变量。首 先 , 确 保 你 的 电 脑 上 安 装 有 arcgis10.0 以 上 的 版 本 , 然 后 点 击http://www.grm.cuhk.edu.hk/~huangbo/GTWR/GTWR_AddIn.rar,下载 install-package 安装包。

hu397313168的博客 3万+

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

PySAL空间回归模型实战:从OLS到地理加权回归(GWR)

PySAL(Python空间分析库)是一款强大的开源空间分析工具包,提供了从基础到高级的空间回归模型实现,包括普通最小二乘法(OLS)和地理加权回归(GWR)等。本文将带你快速掌握这两种核心空间回归模型的应用方法,解决空间数据中常见的空间自相关问题。 ## 空间回归模型基础:从全局到局部 空间数据与传统数据的最大区别在于其**空间依赖性**——一个区域的属性往往与其邻近区域相关。普通OLS回归

gitblog_01233的博客 1068

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

白话空间统计二十四:地理加权回归(八)结果解读(一)

地理加权回归分析完成之后,与OLS不同的是会默认生成一张可视化图,像下面这张一样的: 这种图里面数值和颜色,主要是系数的标准误差。主要用来衡量每个系数估计值的可靠性。标准误差与实际系数值相比较小时,这些估计值的可信度会更高。较大标准误差可能表示局部多重共线性存在问题。根据官方的说法,需要检查超过2.5倍标准差的地方……这些地方可能会有问题。 虽然在软件里面,默认只显示这样一张图,但

7万+
上一篇: (助力国赛)美赛O奖数学建模可视化!!!含代码3(误差限图、冰柱图、树图)
下一篇: 耦合协调分析模型
清上尘
博客等级 码龄7年 5496粉丝 39原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

清上尘

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址