空间相关分析(三) 局部莫兰指数的理解与计算「建议收藏」

空间相关分析(三) 局部莫兰指数的理解与计算「建议收藏」        在上篇中,我们详细地阐述了全局莫兰指数(GlobalMoran’I)的含义以及具体的软件实操方法。今天,就来进一步地说明局部莫兰指数(LocalMoran’I)的含义与计算。        首先说明一下进行局部相关分析的必要性:在全局相关分析中,如果全局莫兰指数显著,我们即可认为在该区域上存在空间相关性。但是,我们还是不知道

大家好,又见面了,我是你们的朋友全栈君。

        在上篇中,我们详细地阐述了全局莫兰指数(Global Moran’I)的含义以及具体的软件实操方法。今天,就来进一步地说明局部莫兰指数(Local Moran’I)的含义与计算。

        首先说明一下进行局部相关分析的必要性:

  1. 在全局相关分析中,如果全局莫兰指数显著,我们即可认为在该区域上存在空间相关性。但是,我们还是不知道具体在哪儿些地方存在着空间聚集现象。这个时候就需要局部莫兰指数参与帮助说明。
  2. 即使全局莫兰指数为0,在局部上也不一定就没有空间聚集现象!(上篇博客中,学生的成绩的例子足以说明,在此不再赘述)

一、公式说明

        还是先从公式入手进行理解,相比全局莫兰指数,局部莫兰指数的计算方式要简洁许多,其计算方式如下:
I i = Z i S 2 ∑ j ≠ i n w i j Z j \mathit{I_{i}=\frac{Z_{i}}{S^2}\sum\limits_{j\not=i}^{n}w_{ij}Z_{j}} Ii=S2Zij=inwijZj
        其中, Z i = y i − y ˉ Z_{i}=y_{i}-\bar{y} Zi=yiyˉ Z j = y j − y ˉ Z_{j}=y_{j}-\bar{y} Zj=yjyˉ S 2 = 1 n ∑ ( y i − y ˉ ) 2 S^2=\frac{1}{n}\sum{(y_i-\bar{y})^2} S2=n1(yiyˉ)2 w i j w_{ij} wij为空间权重值, n n n为研究区域上所有地区的总数, I i I_{i} Ii则代表第 i {i} i个地区的局部莫兰指数。为了方便理解,这里的 y i ( j ) y_{i(j)} yi(j)还是代表第 i ( j ) i(j) i(j)地区的人均GDP,并将求和号展开( S 2 S^2 S2总是正的,相当于只是对整个式子进行标准化而已,故这里省略了):
I i = ( y i − y ˉ ) [ w i 1 ( y 1 − y ˉ ) + w i 2 ( y 2 − y ˉ ) + . . . w i ( i − 1 ) ( y i − 1 − y ˉ ) + w i ( i + 1 ) ( y i + 1 − y ˉ ) + . . . + w i n ( y n − y ˉ ) ] I_{i}=(y_{i}-\bar{y})[w_{i1}(y_{1}-\bar{y})+w_{i2}(y_{2}-\bar{y})+…w_{i(i-1)}(y_{i-1}-\bar{y})+w_{i(i+1)}(y_{i+1}-\bar{y})+…+w_{in}(y_{n}-\bar{y})] Ii=(yiyˉ)[wi1(y1yˉ)+wi2(y2yˉ)+...wi(i1)(yi1yˉ)+wi(i+1)(yi+1yˉ)+...+win(ynyˉ)]

        从上式不难看出, I i I_{i} Ii的正负取决于 y i − y ˉ y_{i}-\bar{y} yiyˉ和后面那一坨。前者可反映出第 i i i个地区的经济发展水平与整个区域的平均水平之间的高低情况,后者则反映出第 i i i个地区的周边地区与整个区域水平之间的高低情况。两个式子都有高低两种可能性,两两组合,共有四种情况。

以表格的方式呈现如下:

Z i Z_{i} Zi ∑ j ≠ i n w i j Z j \sum\limits_{j\not=i}^{n}w_{ij}Z_{j} j=inwijZj I i I_{i} Ii 含义
>0 >0 >0 第i个地区经济发展水平高,周边地区发展水平高
<0 <0 >0 第i个地区经济发展水平低,周边地区发展水平低
<0 >0 <0 第i个地区经济发展水平低,周边地区发展水平高
>0 <0 <0 第i个地区经济发展水平高,周边地区发展水平低

关于局部莫兰指数的范围问题在此进行说明:
大部分文献中指出的莫兰指数都是全局莫兰指数,它的范围是-1到1,而局部莫兰指数的范围是没有限制的!详细可参考王庆喜的《区域经济研究实用方法:基于Arcgis,Geoda和R运用》,如下图所示:
在这里插入图片描述

二、Moran’I散点图

当然,将上表内容以可视化的方式呈现,就得到了Moran’I散点图。以 Z i Z_{i} Zi为x轴, ∑ j ≠ i n w i j Z j \sum\limits_{j\not=i}^{n}w_{ij}Z_{j} j=inwijZj为y轴,将平面区域划分为四个象限,如下图所示:
在这里插入图片描述
这里还是以2018年人均GDP为基础数据,利用Geoda进行局部相关分析。操作过程如下:
导入空间权重矩阵——空间分析——单变量局部Moran’I分析
在这里插入图片描述
选择PGDP2018后,弹出以下对话框,这里我们先选择Moran散点图
在这里插入图片描述
细心地小伙伴可能会发现,下面这张图和全局莫兰指数得到的图是一样的!(emm.上面的那个moran’I 是全局莫兰指数,下面这些散点的横纵坐标的乘积就是各个区县的局部莫兰指数。相当于,一张图涵盖了两种指数的信息。
在这里插入图片描述
        简单对这张图分析一下:从局部相关的角度来看,第一、三象限的点明显多于第二、四象限的点,即表示”低—低”型和”高—高”型聚集的区县较”高—低”型、”低—高”型的区县更多。更简单地来说,即经济较低(高)的区县在空间上更易聚集。从差异的角度来看,若”低—低”型和”高—高”型区县数量多,即说明此时的空间差异较小。(类比,你胖,周围人也胖,是不是你就胖的不明显啦

顺便提一下,既然全局莫兰指数和局部莫兰指数都称莫兰指数,两者肯定是有关系的,数学公式表达如下:
I = ∑ i I i S 0 ∑ i Z i n I=\frac{\sum\limits_{i}I_{i}}{S_{0}\frac{\sum\limits_{i}{Z_i}}{n}} I=S0niZiiIi

更多详细的内容,有兴趣的小伙伴可参考:
Anselin L . Local Indicators of Spatial Association—LISA[J]. Geographical analysis, 1995, 27(2):93-115.

三、LISA聚集图

说到这儿,好像还没说局部莫兰指数怎么检验吧!其实,检验方法一样还是利用Z检验:
Z i = I i − E ( I i ) v a r ( I i ) Z_{i}=\frac{I_{i}-E(I_{i})}{\sqrt{var(I_{i})}} Zi=var(Ii)
IiE(Ii)

其实,上面那个moran’I散点图并没有对各个区县的局部莫兰指数进行检验,LISA聚集图在就在给定的显著性水平下,对于那些通过显著性检验的区县以地图的方式呈现出来,绘制的LISA聚集图如下:


空间相关分析(三) 局部莫兰指数的理解与计算「建议收藏」
空间相关分析(三) 局部莫兰指数的理解与计算「建议收藏」




左图为重庆市区县经济发展水平LISA聚集图,右图为行政区地图

Geoda就这一点不好,没法将区县名显示在LISA聚集图上。(有该需要的可以用Arcgis实现

从上图不难看出,重庆市经济发展水平较高的都聚集在渝西南地区,经济水平较低的大多聚集在渝东北地区,少部分聚集在渝东南地区,此外,”高-低”型和”低-高”型聚集区县并没有呈现出来。(若想更全面地展现经济水平聚集情况,光是人均GDP这一个指标肯定是远远不够的)

以上就是本次分享的全部内容~

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请联系我们举报,一经查实,本站将立刻删除。

发布者:全栈程序员-站长,转载请注明出处:https://javaforall.net/153038.html原文链接:https://javaforall.net

(0)
全栈程序员-站长的头像全栈程序员-站长


相关推荐

  • smt贴片元件封装型号及名称_贴片封装的电子元件图片

    smt贴片元件封装型号及名称_贴片封装的电子元件图片SMT贴片元器件封装类型的识别#学习目标:封装类型是元件的外观尺寸和形状的集合,它是元件的重要属性之一。相同电子参数的元件可能有不同的封装类型。厂家按照相应封装标准生产元件以保证元件的装配使用和特殊用途。由于封装技术日新月异且封装代码暂无唯一标准,本指导只给出通用的电子元件封装类型和图示,与SMT工序无关的封装暂不涉及。1、常见SMT封装以公司内部产品所用元件为例,如下表:名称 缩写含义 备注Chip Chip 片式元件MLD MoldedBody 模制本体元件CAE Aluminum

    2022年8月21日
    5
  • python输入方式大全

    python输入方式大全python输入方式总结写在开头:在学算法过程中想温习python结果发现连输入都不清楚我是菜鸡总结一下python的输入方式适用于各种网站的算法题目的输入格式单个输入 #单个输入n=input()#无参数默认返回字符串n=input(“有提示参数的输入”)#有提示性输入语句的输入,仍是以str类型返回n=int(input())#根据给定的类型输入,返回值类型intn=float(input())#根据给定的类型输入,返回

    2025年6月10日
    3
  • hashmap的实现原理面试_jvm面试题总结及答案

    hashmap的实现原理面试_jvm面试题总结及答案①HashMap的工作原理HashMap基于hashing原理,我们通过put()和get()方法储存和获取对象。当我们将键值对传递给put()方法时,它调用键对象的hashCode()方法来计算hashcode,让后找到bucket位置来储存值对象。当获取对象时,通过键对象的equals()方法找到正确的键值对,然后返回值对象。HashMap使用链表来解决碰撞问题,当发生碰撞了,对象将会储存…

    2025年10月21日
    4
  • 第九章 hbase原理和搭建部署

    第九章 hbase原理和搭建部署第九章 hbase原理和搭建部署

    2022年4月23日
    41
  • 【webservice】Java JAX-WS和JAX-RS webservice「建议收藏」

    【webservice】Java JAX-WS和JAX-RS webservice「建议收藏」一、webservice请求的工作原理:客户端——&gt;阅读WSDL文档(根据文档生成SOAP请求)——&gt;发送到Web服务器——&gt;交给WebService请求处理器——&gt;处理SOAP请求——&gt;调用WebService——&gt;生成SOAP应答——&gt;Web服务器通过http的方式交给客户端详细描述如下:无论使用什么工具/语言编写的webser…

    2022年7月25日
    14
  • 最小二乘法详细推导过程

    最小二乘法详细推导过程转载自:http://blog.csdn.net/marsjohn/article/details/54911788在数据的统计分析中,数据之间即变量x与Y之间的相关性研究非常重要,通过在直角坐标系中做散点图的方式我们会发现很多统计数据近似一条直线,它们之间或者正相关或者负相关。虽然这些数据是离散的,不是连续的,我们无法得到一个确定的描述这种相关性的函数方程,但既然在直角坐标系中数据分布接近一…

    2022年5月13日
    34

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

关注全栈程序员社区公众号