Cuando se realizan muchos análisis de datos espaciales, la escala del análisis es importante. El valor predeterminado para el parámetro Conceptualización de relaciones espaciales de la herramienta Análisis de puntos calientes, por ejemplo, es una banda de distancia fija. Para muchas herramientas de densidad, deberá proporcionar un valor de radio. La distancia que proporcione debe referirse a la escala de la cuestión que está tratando de responder o a la escala de solución que está considerando. Por ejemplo, desea entender la obesidad infantil. ¿Cuál es la escala de análisis? ¿Está en el nivel de vecindad o de hogar individual? Si es así, la distancia que utiliza para definir la escala del análisis será pequeña, abarcando los hogares dentro de una manzana o dos entre sí. De manera alternativa, ¿cuál será la escala de solución? Quizá la pregunta implica dónde aumentar los programas de acondicionamiento físico después de la escuela como una manera de reducir potencialmente la obesidad infantil. En ese caso, la distancia será probablemente el reflejo de zonas escolares. A veces es bastante fácil determinar una escala apropiada de análisis; si analiza los patrones de viajes y sabemos que el viaje promedio al trabajo es de 12 millas, por ejemplo, 12 millas es una distancia apropiada a utilizar para el análisis. Otras veces es más difícil de justificar cualquier distancia de análisis en particular. Aquí es cuando la herramienta Autocorrelación espacial incremental es útil.
Siempre que vea clustering espacial en el apaisado, ve evidencia de procesos espaciales subyacentes en el trabajo. Saber algo sobre la escala espacial en la cual funcionan esos procesos subyacentes puede ayudarle a seleccionar una distancia de análisis apropiada. La herramienta Autocorrelación espacial incremental ejecuta la herramienta Autocorrelación espacial (I de Moran global) para una serie de distancias en aumento, midiendo la intensidad del clustering espacial para cada distancia. La intensidad del clustering está determinado por la puntuación z que se devuelve. Generalmente, a medida que aumenta la distancia, también aumenta la puntuación z, que indica la intensificación del clustering. Sin embargo, en una distancia específica, la puntuación z por lo general aumenta. A veces hay varios picos.
Los picos reflejan las distancias donde los procesos espaciales que promueven el clustering son más pronunciados. El color de cada punto en el gráfico corresponde a la importancia estadística de los valores de la puntuación z.
Una estrategia para identificar una escala apropiada de análisis es seleccionar la distancia asociada con el pico estadísticamente importante que mejor refleja la escala de la pregunta. Con frecuencia, este es el primer pico estadísticamente significativo.
Determinar los valores de Distancia de inicio e Incremento de distancia
Todas las mediciones de distancia se basan en los centroides de la entidad y el valor del parámetro predeterminado de la Distancia de inicio es la distancia más corta que garantizará que cada entidad tenga al menos una entidad vecina. Generalmente, esta es una buena opción, a menos que el dataset incluya valores atípicos de ubicación. Determine si hay valores atípicos de ubicación; a continuación, seleccione todas las entidades menos las de valores atípicos y ejecute la Autocorrelación espacial incremental solo en las entidades seleccionadas. Si encuentra una distancia pico para el conjunto de selección, utilice esa distancia para crear un archivo de matriz de ponderaciones espaciales basado en todas las entidades (incluso los valores atípicos). Cuando ejecute la herramienta Generar matriz de ponderaciones espaciales para crear el archivo de matriz de ponderaciones espaciales, establezca el parámetro Cantidad de vecinos en un valor que haga que todas las entidades tengan al menos esa cantidad de entidades vecinas.
El valor del parámetro Distancia de aumento predeterminado es la distancia promedio a la entidad vecina más cercana de cada entidad. Si ha determinado una distancia de inicio adecuada usando las estrategias de arriba y todavía no ve una distancia pico, es posible que desee experimentar con distancias de aumentos mayores o menores.
Sin distancia pico
En algunos casos, puede que utilice la herramienta Autocorrelación espacial incremental y obtendrá un gráfico con una puntuación z que sigue aumentando con el incremento de las distancias; no hay un pico. Esto sucede con más frecuencia cuando se agregan los datos y la escala de los procesos que afectan la variable del Campo de entrada son más pequeños que el esquema de agregación. Puede intentar reducir el valor de Distancia de aumento para ver si eso captura picos más sutiles. A veces, sin embargo, no hay picos porque hay varios procesos espaciales, y cada uno funciona a una distancia distinta, en el área de estudio. A menudo, este es el caso con datasets de puntos muy grandes que son ruidosos (ningún patrón espacial claro de los valores de datos de puntos que está analizando). En este caso, debe justificar la escala de análisis utilizando otros criterios.
Interpretar los resultados
Cuando ejecuta la herramienta Autocorrelación espacial incremental, los resultados de la puntuación z para cada distancia se escriben como mensajes. Para acceder a los mensajes, pase el cursor sobre la barra de progreso y haga clic en el botón emergente o expanda la sección de mensajes del panel Geoprocesamiento. También puede acceder a los mensajes de una herramienta ejecutada anteriormente a través del historial de geoprocesamiento. Si especifica una ruta para el parámetro opcional Tabla de salida, se crea una tabla que incluye campos para Distance, Morans I, Expected I, variance, z_score y p_value.
Al examinar el gráfico de líneas Autocorrelación espacial por distancia y los valores de puntuación z escritos como mensajes, puede determinar si hay distancias pico. En la imagen siguiente, el gráfico tiene dos puntuaciones z pico asociadas con distancias de 8100 y 11500 pies.
Si utiliza el parámetro Tabla de salida para crear una tabla de valores de autocorrelación, la tabla incluye el gráfico de líneas Autocorrelación espacial por distancia. Este es el mismo gráfico que aparece en los mensajes.
Recursos adicionales
Para obtener más información, consulte lo siguiente:
- Vídeos que perfilan las mejores prácticas para realizar un análisis de puntos calientes:
- El Tutorial sobre análisis de patrón espacial ofrece un análisis de datos del dengue que utiliza la herramienta Autocorrelación espacial incremental.
- Consulte Seleccionar una banda de distancia fija en Modelado de relaciones espaciales.
- Cómo funciona Análisis de puntos calientes (Gi* de Getis-Ord) incluye una charla sobre cómo encontrar una escala de análisis adecuada.
- Para obtener una lista actualizada de todos los recursos de estadísticas espaciales disponibles, vaya a la página Recursos de estadísticas espaciales.