Además de analizar patrones espaciales, el análisis SIG se puede utilizar para examinar o cuantificar las relaciones entre entidades. Las herramientas de Modelado de relaciones espaciales construyen matrices de ponderaciones espaciales o modelan relaciones espaciales mediante el análisis de regresión.
Las herramientas Generar matriz de ponderaciones espaciales y Generar ponderaciones espaciales de red crean archivos de matriz de ponderaciones espaciales que determinan el modo en que las entidades de un dataset se relacionan entre sí en el espacio. Una matriz de ponderaciones espaciales es una representación de la estructura espacial de sus datos: las relaciones espaciales que existen entre las entidades del dataset.
La estadística espacial verdadera integra la información acerca del espacio y de las relaciones espaciales en sus operaciones matemáticas. Algunas de las herramientas de la caja de herramientas Estadística espacial que aceptan un archivo de matriz de ponderaciones espaciales son: Autocorrelación espacial (I de Moran global), Análisis de clúster y de valor atípico (I Anselin local de Moran), Análisis de puntos calientes (Gi* de Getis-Ord) y Análisis de colocación.
Las herramientas de regresión en la caja de herramientas Estadísticas espaciales modelan las relaciones entre las variables de datos asociadas con las entidades geográficas, lo que le permite hacer predicciones para valores desconocidos y comprender mejor los factores clave que influyen en una variable que intenta modelar. Las herramientas Regresión lineal generalizada y Regresión ponderada geográficamente permiten verificar las relaciones y medir cuán sólidas son esas relaciones. Regresión exploratoria permite examinar un gran número de modelos Mínimos cuadrados ordinarios (OLS) rápidamente, resume relaciones variables y determina si cualquier combinación de posibles variables explicativas satisface todos los requisitos del método de OLS. La herramienta Relaciones bivariantes locales permite explorar y determinar si existen relaciones entre dos variables del mapa.
La herramienta Análisis de colocación mide el grado de asociación espacial entre dos patrones de puntos, y la herramienta Asociación espacial entre zonas mide la correspondencia de zonas de categorías. La herramienta Clasificación y regresión basadas en bosque crea modelos y genera predicciones usando métodos de aprendizaje no supervisados para datos de categorías y continuos y también puede utilizar variables de rásteres o de entidades de distancia.
| Herramienta | Description |
|---|---|
Mide patrones locales de asociación espacial, o colocación, entre dos categorías de entidades de puntos con la estadística de cociente de colocación. | |
Evalúa todas las combinaciones posibles de variables explicativas candidatas de entrada, buscando los modelos de OLS que mejor expliquen la variable dependiente en el contexto de los criterios especificados por el usuario. | |
Crea modelos y genera predicciones mediante una adaptación del algoritmo de bosque aleatorio de Leo Breiman, que es un método de aprendizaje de máquina supervisado. Es posible realizar predicciones para ambas variables de categorías (clasificación) y variables continuas (regresión). Las variables explicativas pueden adoptar la forma de campos en la tabla de atributos de las entidades de entrenamiento, los datasets ráster y las entidades de distancia utilizadas para calcular valores de proximidad para su uso como variables adicionales. Además de la validación del rendimiento del modelo basándose en datos de entrenamiento, es posible realizar predicciones en las entidades o en un ráster de predicción. | |
Realiza una Regresión lineal generalizada (GLR) para generar predicciones o para modelar una variable dependiente en términos de su relación con un conjunto de variables explicativas. Esta herramienta se puede usar para ajustarse a modelos continuos (OLS), binarios (logísticos) y de recuento (Poisson). | |
Construye un archivo de matriz de ponderaciones espaciales (.swm) mediante un dataset de red, que define las relaciones espaciales en términos de la estructura de red subyacente. | |
Construye un archivo de matriz de ponderaciones espaciales (.swm) para representar las relaciones espaciales entre entidades en un dataset. | |
Realiza una Regresión ponderada geográficamente (GWR), una forma local de regresión lineal que se utiliza para modelar las relaciones que varían espacialmente. | |
Analiza las relaciones estadísticamente significativas de dos variables con entropía local. Cada entidad se clasifica en una de seis categorías en función del tipo de relación. La salida se puede utilizar para visualizar áreas con variables relacionadas y para explorar los cambios de su relación en el área de estudio. | |
Realiza una regresión lineal global de Mínimos cuadrados ordinarios (OLS) para generar una predicción o modelar una variable dependiente en términos de sus relaciones con un conjunto de variables explicativas. | |
Mide el grado de asociación espacial entre dos regionalizaciones de la misma área de estudio, donde cada regionalización se compone de un conjunto de categorías, denominadas zonas. La asociación entre las regionalizaciones está determinada por la superposición del área entre las zonas de cada regionalización. La asociación es más alta cuando cada zona de una regionalización se correlaciona con una zona de la otra regionalización. Del mismo modo, la asociación espacial es más baja cuando las zonas de una regionalización tienen una gran superposición con muchas zonas diferentes de la otra regionalización. La salida principal de la herramienta es una medida global de asociación espacial entre las variables de categorías: un número único que va de 0 (sin correlación) a 1 (perfecta alineación espacial de zonas). Opcionalmente, esta asociación global se puede calcular y visualizar para zonas específicas de cualquier regionalización o para combinaciones específicas de zonas entre regionalizaciones. |