使用地理加权回归模型探索空间异质性的R包_第1页
使用地理加权回归模型探索空间异质性的R包_第2页
使用地理加权回归模型探索空间异质性的R包_第3页
使用地理加权回归模型探索空间异质性的R包_第4页
使用地理加权回归模型探索空间异质性的R包_第5页
已阅读5页，还剩4页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

使用地理用加权模型探索空间异质性的R包地理加权模型（GW model）包括的功能有：地理加权汇总统计（GW summary statistics）,地理加权主成分分析（GW principal comp-onents analysis,即GW PCA）,地理加权回归（GW regression）,地理加权判别分析（GW discriminant analysis）,其中一些功能有基本和稳健形式之分。The GWmodel package comes with five example data sets, these are: (i) Georgia, (ii)LondonHP, (iii) USelect, (iv) DubVoter, and (v) EWHP.运用GW model的一个重要元素就是空间加权函数，空间加权函数量化（或套）观察到的变量之间的空间关系或空间相关性。空间目标及其位置临近关系的确定。六个核函数的介绍：Global Model(均值核函数): wij=1Gaussian(高斯核函数)：wij=exp(-12(dijb)2)Exponential:wij=exp(-dijb)Box-car(盒状核函数)：wij=1 ifdijb , 0 otherwise Bi-square(二次核函数)：wij=1-(dijb)2)2 ifdijb , 0 otherwise Tri-cude(立方体和函数)：wij=1-(dijb)3)23 ifdij10，就说明某一自变量与其余自变量之间有严重的多重共线性）；（3）方差分解比例(VDPs)（VDPs大于0.5就认为存在多重共线性）；（4）条件数法（此值大于30就存在较强的多重共线性）（当矩阵XX有一个特征根近似为0时，设计矩阵X的列向量间必存在多重共线性，并且XX有多少个特征根近似为0，X就有多少个多重共线性关系）。解决多重共线性一般用岭回归，岭回归是一种专用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法，对病态数据的拟合要强于最小二乘法。当地补偿的GW回归就是基于岭回归的原理。 判断多重共线性是否存在的条件数和岭回归中各地的岭参数。5.空间预测GW 回归在位置s处空间回归预测的可以用下面公示表示：yGW
人人文库> 全部分类> 行业资料 > 管理策划

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论