Skip To Content

Lokale bivariate Beziehungen

Zusammenfassung

Analysiert zwei Variablen für statistisch signifikante Beziehungen mithilfe lokaler Entropie. Jedes Feature wird basierend auf dem Beziehungstyp in eine von sechs Kategorien klassifiziert. Die Ausgabe kann dazu verwendet werden, Bereiche zu visualisieren, deren Variablen miteinander in Beziehung stehen, und Veränderungen in ihren Beziehungen über das gesamte Untersuchungsgebiet zu erkunden.

Weitere Informationen zur Funktionsweise von "Lokale bivariate Beziehungen"

Abbildung

Lokale Beziehungen zwischen zwei Variablen
Erkennen und visualisieren Sie die lokale Beziehung zwischen zwei Variablen.

Verwendung

  • Dieses Werkzeug akzeptiert Punkte und Polygone als Eingabe und sollte mit kontinuierlichen Variablen verwendet werden. Es ist nicht geeignet für binäre oder kategorisierte Daten.

  • Es empfiehlt sich, die Ausgabe-Features nicht als Shapefile (.shp), sondern in einer Geodatabase zu speichern. In Shapefiles können keine NULL-Werte in Attributen und keine Diagramme in Pop-up-Dialogfeldern gespeichert werden.

  • Je nachdem, wie zuverlässig der Parameter Erklärende Variable den Parameter Abhängige Variable vorhersagen kann, wird jedes Eingabe-Feature einer der folgenden Beziehungskategorien zugeordnet:

    • Nicht signifikant: Die Beziehung zwischen den Variablen ist nicht statistisch signifikant.
    • Positiv linear: Die abhängige Variable steigt in dem Maße linear an, wie die erklärende Variable ansteigt.
    • Negativ linear: Die abhängige Variable sinkt in dem Maße linear, wie die erklärende Variable sinkt.
    • Konkav: Die abhängige Variable ändert sich in dem Maße in eine konkave Kurve, wie die erklärende Variable zunimmt.
    • Konvex: Die abhängige Variable ändert sich in dem Maße in eine konvexe Kurve, wie die erklärende Variable zunimmt.
    • Undefiniert komplex: Die Variablen stehen in einer signifikanten Beziehung, aber die Art der Beziehung kann durch keine der Kategorien zuverlässig beschrieben werden.

  • Ob eine Beziehung zwischen zwei Variablen besteht oder nicht, ist nicht davon abhängig, welche von ihnen als erklärende Variable und welche als abhängige Variable deklariert ist. Wenn beispielsweise Diabetes in Beziehung steht zu Adipositas, steht Adipositas ebenfalls in einer Beziehung zu Diabetes. Die Klassifizierung der Beziehung zwischen zwei Variablen kann sich jedoch ändern, je nachdem, welche von ihnen als erklärende Variable und welche als abhängige Variable deklariert ist. Es ist möglich, dass eine Variable eine zweite Variable, die zweite Variable aber nicht die erste Variable präzise vorhersagen kann. Wenn Sie unsicher sind, welche Variable erklärend und welche abhängig sein soll, führen Sie das Werkzeug zweimal aus, und versuchen Sie beides.

  • Dieses Werkzeug unterstützt eine Parallelverarbeitung und nutzt standardmäßig 50 Prozent der verfügbaren Prozessoren. Die Anzahl der Prozessoren kann mit der Umgebung Faktor für parallele Verarbeitung erhöht oder verringert werden.

Syntax

LocalBivariateRelationships(in_features, dependent_variable, explanatory_variable, output_features, {number_of_neighbors}, {number_of_permutations}, {enable_local_scatterplot_popups}, {level_of_confidence}, {apply_false_discovery_rate_fdr_correction}, {scaling_factor})
ParameterErklärungDatentyp
in_features

Die Feature-Class mit Feldern, die für die dependent_variable und explanatory_variable stehen.

Feature Layer
dependent_variable

Das numerische Feld, das für die Werte der abhängigen Variable steht. Bei der Kategorisierung der Beziehungen dient die explanatory_variable zur Vorhersage der dependent_variable.

Field
explanatory_variable

Das numerische Feld, das für die Werte der erklärenden Variable steht. Bei der Kategorisierung der Beziehungen dient die explanatory_variable zur Vorhersage der dependent_variable.

Field
output_features

Die Ausgabe-Feature-Class, die alle Eingabe-Features mit Feldern enthält, die für die dependent_variable, die explanatory_variable, den Entropiewert, den Pseudo-p-Wert, das Signifikanzniveau, die Art der kategorisierten Beziehung und Diagnosen im Zusammenhang mit der Kategorisierung stehen.

Feature Class
number_of_neighbors
(optional)

Die Anzahl der Nachbarn um jedes Feature (einschließlich des Features selbst), die zum Testen einer lokalen Beziehung zwischen den Variablen verwendet werden. Die Anzahl der Nachbar muss zwischen 30 und 1000 liegen; der Standardwert ist 30. Der angegebene Wert sollte groß genug sein, um die Beziehung zwischen Features erkennen zu können, aber noch klein genug, um auch lokale Muster ausmachen zu können.

Long
number_of_permutations
(optional)

Gibt die Anzahl der Permutationen an, die zur Berechnung des Pseudo-p-Wertes für die einzelnen Feature verwendet werden. Bei der Auswahl der Anzahl von Permutationen muss zwischen Genauigkeit im Pseudo-p-Wert und erhöhter Verarbeitungszeit abgewogen werden.

  • 99Bei 99 Permutationen ist der kleinstmögliche Pseudo-p-Wert 0,01. Alle anderen Pseudo-p-Werte sind Vielfache dieses Wertes.
  • 199Bei 199 Permutationen ist der kleinstmögliche Pseudo-p-Wert 0,005. Alle anderen Pseudo-p-Werte sind Vielfache dieses Wertes. Hierbei handelt es sich um die Standardeinstellung.
  • 499Bei 499 Permutationen ist der kleinstmögliche Pseudo-p-Wert 0,002. Alle anderen Pseudo-p-Werte sind Vielfache dieses Wertes.
  • 999Bei 999 Permutationen ist der kleinstmögliche Pseudo-p-Wert 0,001. Alle anderen Pseudo-p-Werte sind Vielfache dieses Wertes.
Long
enable_local_scatterplot_popups
(optional)

Gibt an, ob für die einzelnen Ausgabe-Features Scatterplot-Pop-ups generiert werden. Jeder Scatterplot zeigt die Werte der erklärenden Variable (horizontale Achse) und der abhängigen Variable (vertikale Achse) in der lokalen Nachbarschaft zusammen mit einer passenden Linie oder Kurve zur Visualisierung der Beziehungsform an. Scatterplot-Diagramme werden für Shapefile-Ausgaben nicht unterstützt.

  • CREATE_POPUPFür jedes Feature im Dataset werden lokale Scatterplot-Pop-ups generiert. Dies ist die Standardeinstellung.
  • NO_POPUPEs werden keine lokalen Scatterplot-Pop-ups generiert.
Boolean
level_of_confidence
(optional)

Gibt ein Konfidenzniveau des Hypothesentestes für signifikante Beziehungen an.

  • 90%90 % Konfidenzniveau. Dies ist die Standardeinstellung.
  • 95%95% Konfidenzniveau.
  • 99%99% Konfidenzniveau.
String
apply_false_discovery_rate_fdr_correction
(optional)

Gibt an, ob eine FDR-Korrektur (False Discovery Rate) auf die Pseudo-p-Werte angewendet wird.

  • APPLY_FDRDie statistische Signifikanz basiert auf der FDR-Korrektur. Dies ist die Standardeinstellung.
  • NO_FDRDie statistische Signifikanz basiert auf dem Pseudo-p-Wert.
Boolean
scaling_factor
(optional)

Steuert die Empfindlichkeit für schwächere Beziehungen zwischen den Variablen. Mit größeren Werten (näher an 1) können relativ schwache Beziehungen erkannt werden, während niedrigere Werte (näher an 0) nur starke Beziehungen erkennen. Niedrigere Werte sind auch weniger anfällig für Ausreißer. Der Wert muss zwischen 0,01 und 1 liegen; der Standardwert ist 0,5.

Double

Codebeispiel

LocalBivariateRelationships – Beispiel 1 (Python-Fenster)

Das folgende Skript im Python-Fenster veranschaulicht, wie Sie die Funktion LocalBivariateRelationships verwenden.

import arcpy
arcpy.env.workspace = 'C:\\LBR\\MyData.gdb'
arcpy.LocalBivariateRelationships_stats('ObesityDiabetes', 'ObesityRate', 
                   'DiabetesRate','LBR_Results', 30, '199', 'CREATE_POPUP', 
                   '95%', 'APPLY_FDR', 0.5)
LocalBivariateRelationships – Beispiel 2 (eigenständiges Skript)

Im folgenden eigenständigen Python-Skript wird veranschaulicht, wie Sie die Funktion LocalBivariateRelationships verwenden.

# Use the Local Bivariate Relationships tool to study the relationship between
# obesity and diabetes.
# Import system modules.
import arcpy
import os
# Set property to overwrite existing output by default.
arcpy.env.overwriteOutput = True
try:
    # Set the workspace and input features.
    arcpy.env.workspace = r"C:\\LBR\\MyData.gdb"
    inputFeatures = 'ObesityDiabetes'
    # Set the output workspace and output name.
    outws = 'C:\\LBR\\outputs.gdb'
    outputName = 'LBR_Results'
    # Set input features, dependent variable, and explanatory variable.
    depVar = 'DiabetesRate'
    explVar = 'ObesityRate'
    # Set number of neighbors and permutations.
    numNeighbors = 50
    numPerms = '999'
    # Choose to create popups.
    popUps = 'CREATE_POPUP'
    # Choose confidence level and apply False Discovery Rate correction.
    confLevel = '95%'
    fdr = 'APPLY_FDR'
    # Set the scaling factor.
    scaleFactor = 0.5
    # Run Local Bivariate Regression.
    arcpy.LocalBivariateRelationships_stats(inputFeatures, depVar, explVar, 
                                            os.path.join(outws, outputName), 
                                            numNeighbors, numPerms, popUps, 
                                            confLevel, fdr, scaleFactor)
except arcpy.ExecuteError:
    # If an error occurred when running the tool, print out the error message.
    print(arcpy.GetMessages())

Lizenzinformationen

  • Basic: Ja
  • Standard: Ja
  • Advanced: Ja

Verwandte Themen