Ο ρόλος της Χωρικής Αυτοσυσχέτισης σε χωρικά συσχετιζόμενα δεδομένα για την Ιεραρχική Ανάλυση σε Συστάδες


Published: Apr 22, 2024
Keywords:
Χωρική ανάλυση Πειράματα αγρού Αγροτικός Πειραματισμός Ομαδοποίηση δεδομένων
Thomas Koutsos
George Menexes
https://orcid.org/0000-0002-1034-7345
Abstract
Οι συνηθισμένες πολυπαραγοντικές στατιστικές αναλύσεις συνήθως λαμβάνουν υπόψη μόνο τη συσχέτιση μεταξύ των μεταβλητών, αγνοώντας τη θέση των αντικειμένων-σημείων δεδομένων. Μία από τις βασικές αρχές της Στατιστικής είναι ότι οι παρατηρήσεις και οι αντίστοιχες τιμές τους, είτε μεταξύ είτε εντός διαφόρων ομάδων, είναι ανεξάρτητες η μία από την άλλη. Η έννοια της χωρικής εξάρτησης και της χωρικής αυτοσυσχέτισης συχνά παραλείπεται στη συνήθη στατιστική ανάλυση, αν και οι γεωγραφικές ή άλλου είδους συντεταγμένες των μετρήσεων είναι συνήθως διαθέσιμες. Η τρέχουσα μελέτη εξετάζει τα αποτελέσματα δύο διαφορετικών μεθοδολογικών προσεγγίσεων για να ελέγξει το όφελος από την εξέταση των «χωρικών πληροφοριών» των μετρήσεων: (1) Ιεραρχική Ανάλυση σε Συστάδες (HCA) με διορθωμένα δεδομένα (αντικατάσταση τιμών που λείπουν με το μέσο όρο της αντίστοιχης γραμμής σποράς) και (2) Ιεραρχική Ανάλυση σε Συστάδες με δεδομένα μετά από χωρική παρεμβολή. Η Ανάλυση Χωρικής Αυτοσυσχέτισης (Univariate Local Moran's I) χρησιμοποιήθηκε για να ελεγχθεί η χωρική αυτοσυσχέτιση των δεδομένων σε κάθε περίπτωση μέσω χαρτών συμπλέγματος LISA (Local Indicators of Spatial Association) και έτσι να γίνουν οπτικές συγκρίσεις μεταξύ των δύο παραπάνω μεθοδολογικών σχημάτων. Τόσο η ανάλυση HCA όσο και οι χάρτες συστάδων LISA δείχνουν ότι η εξέταση της «χωρικής» θέσης των μετρήσεων μπορεί να οδηγήσει σε διαφορετικά αποτελέσματα από αυτά μιας συνηθισμένης στατιστικής ανάλυσης χωρίς χωρικά συσχετισμένα δεδομένα. Συγκρίνοντας τους χάρτες συστάδων LISA με χάρτες ποσοστοιχιών (που δείχνουν την πραγματική κατανομή των δεδομένων) μπορεί να εξαχθεί το συμπέρασμα ότι ότι η εξέταση των χωρικών πληροφοριών (μέσω χωρικής παρεμβολής) μπορεί να οδηγήσει σε αποτελέσματα πιο κοντά στην πραγματική κατανομή των δεδομένων.
Article Details
  • Section
  • Methodological approaches
Downloads
Download data is not yet available.
References
Anselin, L. (1994). ‘‘Local Indicators of Spatial Association–LISA.’’ Geographical Analysis 27, 93–115.
Anselin, L., I. Syabri, and Y. Kho. (2006). ‘‘GeoDa: An Introduction to Spatial Data Analysis.’’ Geographical Analysis 38, 5–22.
Cliff, A.D., and Ord, J.K. (1973) Spatial Autocorrelation. London: Pion.
Diniz-Filho, J.A.F., Bini, L.M., Hawkins (2003). B.A. Spatial autocorrelation and red herrings in geographical ecology, Global Ecology and Biogeography 12, 53-64.
Dormann, C. F. (2007). Effects of incorporating spatial autocorrelation into the analysis of species distribution data. Global Ecology and Biogeography 16,129–138.
Haining, R.P. (2001) Spatial Autocorrelation. International Encyclopedia of the Social & Behavioral Sciences, 14763-14768. https://doi.org/10.1016/B0-08-043076-7/02511-0.
Jenks, G. F. (1967). "The Data Model Concept in Statistical Mapping", International Yearbook of Cartography 7: 186-190.
Getis, A. (2008). A History of the Concept of Spatial Autocorrelation: A Geographer’s Perspective. Geographical Analysis 40, 297–309.
Grengs, J. (2001). “Does Public Transit Counteract the Segregation of Carless Households? Measuring Spatial Patterns of Accessibility.” Transportation Research Record: Journal of the Transportation Research Board 1753: 3–10.
Shahinzadeh, N., Babaeinejad, T., Mohsenifar, K., Ghanavati, N. (2022) Spatial variability of soil properties determined by the interpolation methods in the agricultural lands. Modeling Earth Systems and Environment 8:4897–4907.https://doi.org/10.1007/s40808-022-01402-w.
Zhou, L., Li, S., Li, C., Shen, G., Tang, H., Zhu, P., Han, H., Li, B. (2022). Spatial congruency or mismatch? Analyzing the COVID-19 potential infection risk and urban density as businesses reopen. Cities (123), 103615.
Most read articles by the same author(s)