python3调用arcpy地理加权回归_多元地理加权回归软件使用和含义
全文转自:https://blog.csdn.net/qq_43627659/article/details/108857378?utm_medium=distribute.pc_relevant.none-task-blog-title-2&spm=1001.2101.3001.4242
致谢:所有数据和方法都源自城市数据派MGWR课程主讲于瀚辰老师
以下是于老师最近发表的相关论文
沈体雁,于瀚辰,周麟,古恒宇,何泓浩.北京市二手住宅价格影响机制——基于多尺度地理加权回归模型(MGWR)的研究[J].经济地理,2020,40(03):75-83.
一、效果图
二、关于MGWR
MGWR(多尺度地理加权回归)是由Stewart Fotheringham教授团队开发,基于Microsoft Windows和MacOS的应用软件,用于校准多尺度地理加权回归(GWR)模型,该模型可用于探索因变量/响应变量与独立/解释变量的空间关系。它结合了广泛使用的对空间异质性建模的方法-地理加权回归(GWR)以及新提出的方法-多尺度GWR(MGWR),它放宽了对所有要建模的过程都在相同空间尺度上的假设。
三、MGWR软件操作
1.软件下载
MGWR为开源免费软件,有需要的同学可以自行下载,也可以公众号后台联系我获取安装包
2.打开数据文件
3.界面展示
截距项(常数项)是指当所有其他变量确定后,地理位置变化(区位)对房价的影响。例如,靠近北京中心截距项高,靠近北京边缘截距项低。从空间地理角度,研究位置(区位)对因变量是否有影响。
注:所有变量名称都要用英文
4.软件参数设置
标准化的优点:回归结果更快,更稳定,系数更可信,常数项地理解释更有含义。
标准化的缺点:标准化后,对除常数项外其余自变量的解释较为复杂,可理解为,基于平均值的某个变量增加一个标准差,会对因变量产生怎样的影响。作者建议,这个需要自己去权衡。
初始值:MGWR需要设定一个初始值,然后再去不断优化初始值,最终收敛于某个值,选择GWR收敛速度更快,所以一般选择这个。
怎么判断收敛?一共有两种准则,SOC-f:前一次回归系数和后一次回归系数相差最大不超过收敛值,更加严格。SOC-RSS:前后两次回归的残差平方和相差最大不会超过收敛值,较宽松。一般选择SOC-f
注:
由于数据量(3000多个数据)过大,不再去探究是否存在空间变异性,不去做蒙特卡洛模拟,局部共线性问题也可不做。
5.得到结果
电脑配置越高,运行速度越快,作者花了15min,而我花了将近30min
运行成功后会得到:一个excel文件和记事本格式文件
四、MGWR结果解读
1.初步结果分析
(1)基础信息描述
(2)GWR初步结果
(3)MGWR初步结果
注:带宽可理解为,估计的点需要使用周围多少个点进行回归。固定带宽:确定一个带宽比如50m,所有区域均采用这个带宽,容易出现有些区域点过于密集,有些区域点过于稀疏。自适应带宽:没有固定的带宽,依据点的个数而定。比如每个区域都用50个点进行回归,可能有的区域仅需带宽50m就能包含50个点,有的区域则需要带宽100m才能包含50个点。
MGWR特点:不同变量不同带宽,就相当于不同尺度,有的接近全局,有的是局部。有效参数个数可为小数,这个是OLS所不能做到的。每个变量有自己的t统计量标准,不一定是和1.96相比,所以回归结果更可信。自由度,数值越大自由度越大,越小自由度越小。对于地理加权回归而言最重要的就是尺度!尺度!尺度!
(4)MGWR基础信息
2.MGWR具体回归结果
会得到一个excel表格,里面包含所有的回归结果
注:最重要的几个值就是t统计量、p值和估计系数
五、MGWR结果可视化
1.分析
需要分别对每个变量的系数进行可视化,采用的方法就是通过arcgis将点和图层结合,并按大小进行分类,本文选择area这个变量进行可视化
2.转化成CSV文件
在excel中将自变量area回归结果中p值小于0.05的部分复制,导入新的excel,并另存为csv格式文件
3.导入到arcgis中
打开arcgis,添加北京城市公路shp和area数据的csv文件
4.显示X,Y数据,更换坐标系
5.使用符号系统进行分类,方法可参照往期推送
可以发现area回归的系数在空间上的分布特征,具体解读请参考作者发表的论文,本文仅是讨论MGWR操作实现方法。
文章地址:
python3调用arcpy地理加权回归_多元地理加权回归软件使用和含义相关推荐
- 套索回归 岭回归_岭和套索回归简介
套索回归 岭回归 Recently my class has been covering topics of regression and classification. We are now abl ...
- lasso回归_线性回归amp;lasso回归amp;岭回归介绍与对比
1. 回顾最小二乘法 详细的解释在以下这个链接 https://www.matongxue.com/madocs/818 简而言之,最小二乘法展现了平方误差值最小的时候,就是最好的拟合回归线. 2. ...
- python调用百度地图api定位_逆地理编码 rgc 反geo检索 | 百度地图API SDK
使用方法 如不访问境外POI,走以下服务使用流程 编码说明 API请求中需要用到中文或一些特殊字符的参数,如query.region等,为了避免提交到后台乱码,需要对这几个参数值进行编码处理,转换成U ...
- 逻辑斯蒂回归_逻辑斯蒂回归详细解析 | 统计学习方法学习笔记 | 数据分析 | 机器学习...
本文包括: 重要概念 逻辑斯蒂回归和线性回归 二项逻辑斯谛回归模型 逻辑斯蒂回顾与几率 模型参数估计 多项逻辑斯谛回归 其它有关数据分析,机器学习的文章及社群 1.重要概念: 在正式介绍逻辑斯蒂回归模 ...
- python决策树逻辑回归_决策树,逻辑回归,PCA-算法面试题
决策树 简述决策树原理? 决策树是一种自上而下,对样本数据进行树形分类的过程,由节点和有向边组成.节点分为内部节点和叶节点,其中每个内部节点表示一个特征或属性,叶节点表示类别.从顶部节点开始,所有样本 ...
- orange实现逻辑回归_分别用逻辑回归和决策树实现鸢尾花数据集分类
学习了决策树和逻辑回归的理论知识,决定亲自上手尝试一下.最终导出决策树的决策过程的图片和pdf.逻辑回归部分参考的是用逻辑回归实现鸢尾花数据集分类,感谢原作者xiaoyangerr 注意:要导出为pd ...
- 可行加权最小二乘法_最小二乘法和加权最小二乘法
1 / 4 最小二乘法和加权最小二乘法 -50-40-30-20-1001020304050-0.100.10.20.30.40.50.6tRx1 x23. 3. 3 ( WLS ) 为了降低节点成本 ...
- 中学地理教学参考杂志社中学地理教学参考编辑部2022年第10期目录
中学地理教学参考杂志社中学地理教学参考编辑部2022年第10期目录 视点_刊首语 从<我的祖国>到经典地理课 田孝东; 1 视点_专题策划_地理单元教学实践探索 指向核心素 ...
- python线性加权回归_第二十一章 regression算法——线性回归局部加权回归算法(上)...
理论部分 回归是统计学中最有力的工具之一.监督学习算法分为分类算法和回归算法两种,其实就是根据类别标签分布类型为离散型.连续性而定义的.顾名思义,分类算法用于离散型分布预测,如KNN.决策树.朴素贝叶 ...
- 多元线性回归算法: 线性回归Linear Regression、岭回归Ridge regression、Lasso回归、主成分回归PCR、偏最小二乘PLS
0. 问题描述 输入数据:X=(x1,x2,....,xm)\mathbf{X} = (x_1, x_2,...., x_m)X=(x1,x2,....,xm), 相应标签 Y=(y1,y2,. ...
最新文章
- Tomcat 的数据库连接池设置与应用
- session存储在redis/memcache/mysql
- Sahi (2) —— https/SSL配置(102 Tutorial)
- 皮一皮:这孩子想必长大了一定是个程序猿...
- 电脑常用工具(阅读代码、文件搜索、思维导图、图片处理、文件比较、流程图、桌面效率工具)
- oracle java javapath_系统找不到C:\ProgramData\Oracle\Java\javapath\java.exe问题及解决方案...
- Hi3519V101 Uboot和Kernel编译
- Maven: NoSuchMethodError fasterxml.jackson.core强行指定,无法排除
- 实现基于最近邻内插和双线性内插的图像缩放C++实现
- centos环境下安装redis
- 练习瑜伽中常见的三大误区
- scala几种循环判断语句_Scala循环控制语句– while,while和for循环
- 专访雷水果国:离1.5K至18K 一个程序猿5每年的成长之路
- Jenkins在Windows下的安装与配置
- 服装计算机辅助设计论文,计算机辅助高校服装设计论文
- 电商数据库设计——重要概念
- 级联阴影贴图(CSM)
- mysql gbk 乱码_mysql字符集(GBK、GB2312、UTF8)与中文乱码的原因及解决
- skinme找不到java_配置forge后,无法获取依赖
- Selenium中的By模块
热门文章
- HTML5前端开发实战03-网上花店网页制作
- NOI题库练习1.5(38)
- Hello CTP(二)——CTP简介
- 如何在html页面跳转的时候携带数据(页面跳转时参数传递问题)?
- 智慧工厂管理系统全面提升智能化水平
- 多个PDF怎么免费合并成一个PDF
- 微信公众号查后端服务器IP,微信公众号平台接口开发 获取微信服务器IP地址方法解析...
- 图像处理--字模放大
- android 微信朋友圈动画,使用Android 模仿微信朋友圈图片拖拽返回
- 清华大学python教材怎么样_经典!清华大学计算机系教材曝光:《Python编程金典》...