Régression pondérée géographiquement multi-échelle (MGWR) (Statistiques spatiales)

Synthèse

Effectue une régression pondérée géographiquement multi-échelle (MGWR), forme locale de régression linéaire utilisée pour modéliser des relations qui varient spatialement.

MGWR est un modèle de régression local dans lequel les valeurs de coefficients peuvent varier dans l’espace. La bande passante utilisée pour définir le voisinage autour de chaque entité peut également varier entre les variables explicatives. Cela permet au modèle de capturer les échelles changeantes des relations entre les variables explicatives et la variable dépendante. Ces voisinages sont utilisés avec un noyau pondéré géographiquement pour estimer le coefficient de chaque variable explicative dans les modèles de régression.

En savoir plus sur le fonctionnement de l’outil Régression pondérée géographiquement multi-échelle (MGWR)

Illustration

Un noyau bicarré est appliqué au voisinage de chaque variable explicative. Chaque variable explicative utilise une bande passante différente pour capturer les relations spatiales changeantes.

Utilisation

• Le modèle actuel accepte uniquement les variables dépendantes représentant des valeurs continues. N’utilisez pas l’outil avec des variables dépendantes de type total, taux ou binaire (indicateur). Actuellement, l’option Continu du paramètre Type de modèle est la seule prise en charge. D’autres options pourront être ajoutées dans les versions futures.

  Si une variable dépendante non continue est fournie, les résultats peuvent manquer de pertinence, par exemple les prévisions de totaux négatifs ou des probabilités supérieures à un.

  Attention :

  Les variables explicatives (pas une variable dépendante) peuvent être de n’importe quel type, mais soyez vigilant lorsque vous utilisez des variables explicatives de type total, taux ou binaire. Les modèles de régression locaux qui utilisent des variables explicatives non continues rencontrent fréquemment des problèmes de multicolinéarité locale. Si des variables explicatives sont fortement corrélées globalement ou localement, l’outil peut échouer avec l’erreur 110222 en raison de la multicolinéarité.

  Pour en savoir plus la multicolinéarité

• Les champs fournis dans les paramètres Variable dépendante et Variables explicatives doivent présenter une variation à la fois globale et locale. N’utilisez pas les champs contenant une seule valeur constante, des variables explicatives de type indicateur qui représentent des régimes spatiaux différents, ou des variables catégorielles qui sont agrégées spatialement.

• Pour utiliser des variables explicatives catégorielles, les catégories doivent être converties en variables de type indicateur (0 ou 1) à l’aide de l’outil Encoder un champ. Ces variables de type indicateur peuvent ensuite servir de variables explicatives dans l’outil Régression pondérée géographiquement multi-échelle (MGWR).

• Trois options du paramètre Méthode de sélection de voisinage sont disponibles pour estimer l’échelle spatiale optimale séparément de chacune des variables explicatives.

  • Recherche absolue : détermine le nombre de voisins ou la bande de distance pour chaque variable explicative à l’aide de l’algorithme Recherche absolue. Cette méthode teste plusieurs combinaisons de valeurs pour chaque variable explicative entre une valeur minimale et une valeur maximale spécifiées. La procédure est itérative et utilise les résultats des valeurs précédentes pour sélectionner chaque nouvelle combinaison à tester. Les valeurs finales auront les plus petites valeurs AICc. Pour l’option du nombre de voisins, le minimum et le maximum sont indiqués à l’aide des paramètres Nombre minimal de voisins et Nombre maximal de voisins. Pour l’option de bande de distance, le minimum et le maximum sont indiqués à l’aide des paramètres Distance de recherche minimale et Distance de recherche maximale. Les valeurs minimale et maximale sont partagées pour toutes les variables explicatives, mais le nombre de voisins ou la bande de distance estimé sera différent pour chaque variable explicative (sauf si deux ou plus ont la même échelle spatiale). Cette option est celle dont le calcul prend le plus de temps, en particulier pour les jeux de données volumineux ou fortement dimensionnels.
  • Intervalles manuels : détermine le nombre de voisins ou la bande de distance pour chaque variable explicative en incrémentant le nombre de voisins ou la bande de distance depuis une valeur minimale. Pour l’option du nombre de voisins, la méthode débute avec la valeur du paramètre Nombre minimal de voisins. Le nombre de voisins est ensuite augmenté de la valeur du paramètre Incrément de nombre de voisins. Cet incrément est répété un certain nombre de fois, spécifié à l’aide du paramètre Nombre d’incréments. Pour l’option de bande de distance, la méthode utilise les paramètres Distance de recherche minimale, Incrément de distance de recherche et Distance de recherche maximale. Le nombre de voisins ou la bande de distance utilisé par chaque variable explicative sera l’une des valeurs testées, mais les valeurs peuvent être différentes pour chaque variable explicative. Cette option est plus rapide que la recherche absolue et estime fréquemment des voisinages comparables.
  • Défini par l’utilisateur : nombre de voisins ou bande de distance utilisé par toutes les variables explicatives. La valeur est spécifiée à l’aide du paramètre Nombre de voisins ou Bande de distance. Cette option offre le plus fort contrôle si vous connaissez les valeurs optimales.

  Par défaut, les paramètres dépendants de chaque méthode de sélection de voisinage s’appliquent à toutes les variables explicatives. Vous pouvez toutefois fournir des paramètres de sélection de voisinage personnalisés uniquement pour certaines variables explicatives à l’aide du paramètre de remplacement correspondant pour le type de voisinage et la méthode de sélection : Nombre de voisins pour la recherche absolue, Nombre de voisins pour les intervalles manuels, Nombre de voisins défini par l’utilisateur, Distance de recherche pour la recherche absolue, Distance de recherche pour les intervalles manuels ou Distance de recherche définie par l’utilisateur. Pour utiliser des voisinages personnalisés pour certaines variables explicatives, fournissez les variables explicatives dans la première colonne du paramètre de remplacement correspondant, puis indiquez les options personnalisées du voisinage dans les autres colonnes. Les colonnes portent le même nom que les paramètres qu’elles remplacent. Par exemple, si vous utilisez des intervalles manuels avec une bande de distance, la colonne Incrément de distance de recherche indique les valeurs personnalisées du paramètre Incrément de distance de recherche. Dans la boîte de dialogue de l’outil, les paramètres de voisinage personnalisés se trouvent dans le menu déroulant de catégorie du paramètre Options de voisinage personnalisées.

  Supposons par exemple que vous utilisiez trois variables explicatives avec le type de voisinage Recherche absolue, 30 voisins au minimum et 40 voisins au maximum. Si l’outil s’exécute avec ces paramètres, chacune des trois variables explicatives utilisera entre 30 et 40 voisins. Mais si vous voulez utiliser entre 45 et 55 voisins pour uniquement la deuxième variable explicative, vous pouvez fournir la deuxième variable explicative, la valeur minimale personnalisée et la valeur maximale personnalisée dans les colonnes de la valeur du paramètre Nombre de voisins pour la recherche absolue. Avec ces paramètres, les première et troisième variables explicatives utiliseront entre 30 et 40 voisins, et la deuxième variable explicative utilisera entre 45 et 55 voisins.

• Plusieurs diagnostics de modèle sont affichés dans les messages de géotraitement, qui permettent de déterminer la fiabilité du modèle MGWR. Examinez ces diagnostics avant de consulter d’autres sorties de l’outil. Si les diagnostics de modèle sont acceptables, consultez les diagrammes et la symbologie des entités en sortie pour mieux comprendre les résultats.

  En savoir plus sur les diagnostics de modèle et les sorties de l’outil

• Chaque modèle local MGWR est soumis aux mêmes conditions requises que l’outil Régression linéaire généralisée. La section Corruption des modèles de régression de la rubrique Principes de base de l’analyse de régression comprend des conseils pour s’assurer de l’exactitude d’un modèle. Pour plus d’informations sur l’analyse de régression, reportez-vous à la rubrique Ce que l’on ne vous dit pas sur l’analyse de régression.

• Pour les résultats les plus précis possibles, projetez les données sur un système de coordonnées projetées si les coordonnées sont stockées sous forme de latitude et longitude. Ceci est particulièrement important avec l’option Bande de distance du paramètre Type de voisinage car les optimisations exigent des mesures précises de la distance.

• Si vous activez le paramètre Échelle de données, une couche est générée pour chaque coefficient mis à l’échelle. Les coefficients qui sont remis à l’échelle dans les unités des données d’origine sont stockés sous forme de champs dans la classe d’entités en sortie. Si des rasters de coefficient sont créés avec le paramètre Espace de travail raster du coefficient, des couches des rasters de coefficient mis à l’échelle sont créées, et les rasters remis à l’échelle sont enregistrés dans l’espace de travail.

  Il est recommandé de mettre à l’échelle les variables explicatives et dépendantes. Cela est particulièrement important lorsque la plage de valeurs des variables varie significativement car la mise à l’échelle égalise les variances des valeurs des variables explicatives. Lorsque vous estimez numériquement la bande passante et les coefficients de chaque modèle local, les estimations convergent généralement plus rapidement vers des valeurs plus précises lorsque chaque variable contribue dans la même mesure à la variance totale des données. Si les variables explicatives ont des variances différentes, les variables dont les variances sont plus importantes ont plus d’influence sur chaque étape de l’estimation itérative. Dans la plupart des cas, cette influence affecte négativement les bandes passantes et coefficients finaux du modèle.

• Dans la plupart des cas, l’option Intervalle manuel du paramètre Méthode de sélection de voisinage peut estimer une valeur AICc inférieure à celle de l’option Recherche absolue même pour une recherche dans la même plage de distances ou de voisins. De même, si vous réalisez une recherche absolue ou des intervalles manuels, puis fournissez les bandes passantes ou les nombres de voisins estimés à l’aide de l’option Défini par l’utilisateur, les sorties ne seront pas exactement les mêmes. Ces deux comportements s’expliquent par les dépendances de chemin des algorithmes de réajustement et de recherche absolue qui permettent d’estimer les paramètres du modèle MGWR. Pour reproduire les mêmes résultats MGWR, vous devez exécuter l’outil avec scrupuleusement les mêmes réglages de paramètres.

Paramètres

Boîte de dialogue

Étiquette	Explication	Type de données
Entités en entrée	Classe d'entités qui contient les variables dépendantes et explicatives.	Feature Layer
Variable dépendante	Champ numérique contenant les valeurs observées qui seront modélisées.	Field
Type de modèle	Indique le modèle de régression en fonction des valeurs de la variable dépendante. Actuellement, seules les données continues sont prises en charge et le paramètre est masqué dans la fenêtre Géotraitement. N’utilisez pas des variables dépendantes de type total, taux ou binaire. Continu—La variable dépendante représente des valeurs continues. Il s’agit de l’option par défaut.	String
Variables explicatives	Liste des champs qui seront utilisés comme variables explicatives indépendantes dans le modèle de régression.	Field
Entités en sortie	Nouvelle classe d’entités contenant les coefficients, les résidus et les niveaux de signification du modèle MGWR.	Feature Class
Type de voisinage	Indique si le voisinage utilisé sera une distance fixe ou autorisé à varier dans spatialement en fonction de la densité des entités. Nombre de voisins—La taille du voisinage sera un nombre spécifié de voisins les plus proches de chaque entité. Si les entités sont denses, l’étendue spatiale du voisinage sera plus restreinte. Si les entités sont rares, l’étendue spatiale du voisinage sera plus vaste. Canal de distance—La taille du voisinage sera une distance fixe ou constante pour chaque entité.	String
Méthode de sélection des voisins	Indique la manière dont la taille du voisinage est déterminée. Recherche absolue—Une distance ou un nombre de voisins optimal sera identifié en réduisant la valeur AICc à l’aide de l’algorithme Recherche absolue. Intervalles manuels—Une distance ou un nombre de voisins sera identifié en testant une plage de valeurs et en sélectionnant la valeur présentant l’AICc le plus faible. Si le paramètre Type de voisinage est défini sur Bande de distance, la valeur minimale de cette plage est fournie par le paramètre Distance de recherche minimale. La valeur minimale est ensuite incrémentée de la valeur spécifiée dans le paramètre Incrément de distance de recherche. Cet incrément est répété le nombre de fois spécifié par le paramètre Nombre d’incréments. Si le paramètre Type de voisinage est défini sur Nombre de voisins, la valeur minimale, la taille d’incrément et le nombre d’incréments sont fournis dans les paramètres Nombre minimal de voisins, Incrément de nombre de voisins et Nombre d’incréments, respectivement. Défini par l’utilisateur—La taille du voisinage sera spécifiée par le paramètre Nombre de voisins ou Bande de distance.	String
Nombre minimal de voisins (Facultatif)	Nombre minimal de voisins que chaque entité inclura dans son calcul. Il est recommandé d’utiliser au moins 30 voisins.	Long
Nombre maximal de voisins (Facultatif)	Nombre maximal de voisins que chaque entité inclura dans ses calculs.	Long
Unité de distance (Facultatif)	Indique l’unité de distance qui servira à mesurer les distances entre les entités. Pieds d’arpentage américains—Les distances seront mesurées en pieds d’arpentage américains. Mètres—Les distances seront mesurées en mètres. Kilomètres—Les distances seront mesurées en kilomètres. Milles d’arpentage américains—Les distances seront mesurées en miles d’arpentage américains.	String
Distance de recherche minimale (Facultatif)	Distance de recherche minimale à appliquer à chaque variable explicative. Il est recommandé de fournir une distance minimale qui comprend au moins 30 voisins pour chaque entité.	Double
Distance de recherche maximale (Facultatif)	La distance de recherche maximale des voisins à appliquer à toutes les variables.	Double
Incrément de nombre de voisins (Facultatif)	Nombre de voisins en fonction duquel les intervalles manuels augmenteront pour chaque test de voisinage.	Long
Incrément de distance de recherche (Facultatif)	Distance en fonction de laquelle les intervalles manuels augmenteront pour chaque test de voisinage.	Double
Nombre d’incréments (Facultatif)	Nombre de tailles de voisinage à tester avec des intervalles manuels. La première taille de voisinage est la valeur du paramètre Nombre minimal de voisins ou Distance de recherche minimale.	Long
Nombre de voisins (Facultatif)	Nombre de voisins à utiliser pour le type de voisinage défini par l’utilisateur.	Long
Canal de distance (Facultatif)	Taille de la bande de distance à utiliser pour le type de voisinage défini par l’utilisateur. Toutes les entités se trouvant dans cette distance seront incluses comme voisines dans les modèles locaux.	Double
Nombre de voisins pour la recherche absolue (Facultatif)	Options personnalisées de la recherche absolue pour chaque variable explicative. Pour chaque variable explicative à personnaliser, fournissez la variable, le nombre minimal de voisins et le nombre maximal de voisins dans les colonnes.	Value Table
Nombre de voisins pour les intervalles manuels (Facultatif)	Options personnalisées des intervalles manuels pour chaque variable explicative. Pour chaque variable explicative à personnaliser, fournissez le nombre minimal de voisins, l’incrément de nombre de voisins et le nombre d’incréments dans les colonnes.	Value Table
Nombre de voisins défini par l’utilisateur (Facultatif)	Options personnalisées définies par l’utilisateur pour chaque variable explicative. Pour chaque variable explicative à personnaliser, fournissez le nombre de voisins.	Value Table
Distance de recherche pour la recherche absolue (Facultatif)	Options personnalisées de la recherche absolue pour chaque variable explicative. Pour chaque variable explicative à personnaliser, fournissez la variable, la distance de recherche minimale et la distance de recherche maximale dans les colonnes.	Value Table
Distance de recherche pour les intervalles manuels (Facultatif)	Options personnalisées des intervalles manuels pour chaque variable explicative. Pour chaque variable à personnaliser, fournissez la variable, la distance de recherche minimale, l’incrément de distance de recherche et le nombre d’incréments dans les colonnes.	Value Table
Distance de recherche définie par l’utilisateur (Facultatif)	Options personnalisées définies par l’utilisateur pour chaque variable explicative. Pour chaque variable à personnaliser, fournissez la variable et la bande de distance dans les colonnes.	Value Table
Emplacements des prévisions (Facultatif)	Classe d’entités avec des localisations pour lesquelles des estimations vont être calculées. Chaque entité dans ce jeu de données doit contenir une valeur pour chaque variable explicative spécifiée. La variable dépendante pour ces entités sera estimée à l’aide du modèle calibré pour les données de la classe d’entités en entrée. Ces entités doivent être proches des entités en entrée (dans 115 pour cent de l’étendue) ou dans la même zone d’étude.	Feature Layer
Variables explicatives à apparier (Facultatif)	Variables explicatives des localisations des prévisions qui concordent avec les variables explicatives correspondantes des entités en entrée.	Value Table
Entités prévues en sortie (Facultatif)	Classe d’entités en sortie qui recevra des estimations de variable dépendante pour chaque localisation des prévisions.	Feature Class
Prévision fiable (Facultatif)	Désigne les entités qui seront utilisées dans les calculs des prévisions. Activé : les entités avec des valeurs supérieures à trois écarts types de la moyenne (points aberrants de valeur) et les entités dont les pondérations sont égales à 0 (points aberrants spatiaux) seront exclues des calculs de prévision, mais recevront des prévisions dans la classe d’entités en sortie. Il s’agit de l’option par défaut. Désactivé : chaque entité sera utilisée dans les calculs de prévision.	Boolean
Structure de pondération locale (Facultatif)	Spécifie le type de noyau qui sera utilisé pour fournir la pondération spatiale dans le modèle. Le noyau indique comment les entités sont associées entre elles dans leur voisinage. Bicarré—Une pondération de zéro sera attribuée aux entités situées en dehors du voisinage spécifié. Il s’agit de l’option par défaut. Gaussien—Toutes les entités reçoivent des pondérations, mais ces dernières sont réduites exponentiellement à mesure qu’elles s’éloignent de l’entité cible.	String
Table de voisinage en sortie (Facultatif)	Table contenant les statistiques en sortie du modèle MGWR. Un diagramme à barres des bandes passantes ou nombres de voisins estimés est inclus avec la sortie.	Table View
Espace de travail raster du coefficient (Facultatif)	Espace de travail au sein duquel les rasters de coefficient vont être créés. Quand cet espace de travail est fourni, les rasters sont créés pour l'intersection et chaque variable explicative. Ce paramètre n’est disponible qu’avec une licence Desktop Advanced. Si un répertoire est fourni, les rasters seront de type TIFF (.tif).	Workspace
Données d’échelle (Facultatif)	Indique si les valeurs des variables explicatives et dépendantes seront mises à l’échelle pour que la moyenne soit égale à zéro et l’écart type à un avant d’ajuster le modèle. Activé : les valeurs des variables seront mises à l’échelle. Les résultats contiendront des versions mises à l’échelle et non mises à l’échelle des coefficients des variables explicatives. Désactivé : les valeurs des variables ne seront pas mises à l’échelle. Tous les coefficients seront dans les unités des données d’origine et aucun ne sera mis à l’échelle.	Boolean

Sortie obtenue

Étiquette	Explication	Type de données
Couches raster de coefficient	Rasters en sortie des coefficients des variables explicatives.	Raster
Groupe de couches en sortie	Groupe de couches des sorties. Chaque couche du groupe représente un champ différent des entités en sortie.	Group Layer

Python

arcpy.stats.MGWR(in_features, dependent_variable, model_type, explanatory_variables, output_features, neighborhood_type, neighborhood_selection_method, {minimum_number_of_neighbors}, {maximum_number_of_neighbors}, {distance_unit}, {minimum_search_distance}, {maximum_search_distance}, {number_of_neighbors_increment}, {search_distance_increment}, {number_of_increments}, {number_of_neighbors}, {distance_band}, {number_of_neighbors_golden}, {number_of_neighbors_manual}, {number_of_neighbors_defined}, {distance_golden}, {distance_manual}, {distance_defined}, {prediction_locations}, {explanatory_variables_to_match}, {output_predicted_features}, {robust_prediction}, {local_weighting_scheme}, {output_table}, {coefficient_raster_workspace}, {scale})

Nom	Explication	Type de données
in_features	Classe d'entités qui contient les variables dépendantes et explicatives.	Feature Layer
dependent_variable	Champ numérique contenant les valeurs observées qui seront modélisées.	Field
model_type	Indique le modèle de régression en fonction des valeurs de la variable dépendante. Actuellement, seules les données continues sont prises en charge et le paramètre est masqué dans la fenêtre Géotraitement. N’utilisez pas des variables dépendantes de type total, taux ou binaire. CONTINUOUS—La variable dépendante représente des valeurs continues. Il s’agit de l’option par défaut.	String
explanatory_variables [explanatory_variables,...]	Liste des champs qui seront utilisés comme variables explicatives indépendantes dans le modèle de régression.	Field
output_features	Nouvelle classe d’entités contenant les coefficients, les résidus et les niveaux de signification du modèle MGWR.	Feature Class
neighborhood_type	Indique si le voisinage utilisé sera une distance fixe ou autorisé à varier dans spatialement en fonction de la densité des entités. NUMBER_OF_NEIGHBORS—La taille du voisinage sera un nombre spécifié de voisins les plus proches de chaque entité. Si les entités sont denses, l’étendue spatiale du voisinage sera plus restreinte. Si les entités sont rares, l’étendue spatiale du voisinage sera plus vaste. DISTANCE_BAND—La taille du voisinage sera une distance fixe ou constante pour chaque entité.	String
neighborhood_selection_method	Indique la manière dont la taille du voisinage est déterminée. GOLDEN_SEARCH—Une distance ou un nombre de voisins optimal sera identifié en réduisant la valeur AICc à l’aide de l’algorithme Recherche absolue. MANUAL_INTERVALS—Une distance ou un nombre de voisins sera identifié en testant une plage de valeurs et en sélectionnant la valeur présentant l’AICc le plus faible. Si le paramètre neighborhood_type est défini sur DISTANCE_BAND, la valeur minimale de cette plage est fournie par le paramètre minimum_search_distance. La valeur minimale est ensuite incrémentée de la valeur spécifiée dans le paramètre search_distance_increment. Cet incrément est répété le nombre de fois spécifié par le paramètre number_of_increments. Si le paramètre neighborhood_type est défini sur NUMBER_OF_NEIGHBORS, la valeur minimale, la taille d’incrément et le nombre d’incréments sont fournis par les paramètres minimum_number_of_neighbors, number_of_neighbors_increment et number_of_increments, respectivement. USER_DEFINED—La taille du voisinage sera spécifiée par le paramètre number_of_neighbors ou distance_band.	String
minimum_number_of_neighbors (Facultatif)	Nombre minimal de voisins que chaque entité inclura dans son calcul. Il est recommandé d’utiliser au moins 30 voisins.	Long
maximum_number_of_neighbors (Facultatif)	Nombre maximal de voisins que chaque entité inclura dans ses calculs.	Long
distance_unit (Facultatif)	Indique l’unité de distance qui servira à mesurer les distances entre les entités. FEET—Les distances seront mesurées en pieds d’arpentage américains. METERS—Les distances seront mesurées en mètres. KILOMETERS—Les distances seront mesurées en kilomètres. MILES—Les distances seront mesurées en miles d’arpentage américains.	String
minimum_search_distance (Facultatif)	Distance de recherche minimale à appliquer à chaque variable explicative. Il est recommandé de fournir une distance minimale qui comprend au moins 30 voisins pour chaque entité.	Double
maximum_search_distance (Facultatif)	La distance de recherche maximale des voisins à appliquer à toutes les variables.	Double
number_of_neighbors_increment (Facultatif)	Nombre de voisins en fonction duquel les intervalles manuels augmenteront pour chaque test de voisinage.	Long
search_distance_increment (Facultatif)	Distance en fonction de laquelle les intervalles manuels augmenteront pour chaque test de voisinage.	Double
number_of_increments (Facultatif)	Nombre de tailles de voisinage à tester avec des intervalles manuels. La première taille de voisinage est la valeur du paramètre minimum_number_of_neighbors ou minimum_search_distance.	Long
number_of_neighbors (Facultatif)	Nombre de voisins à utiliser pour le type de voisinage défini par l’utilisateur.	Long
distance_band (Facultatif)	Taille de la bande de distance à utiliser pour le type de voisinage défini par l’utilisateur. Toutes les entités se trouvant dans cette distance seront incluses comme voisines dans les modèles locaux.	Double
number_of_neighbors_golden [number_of_neighbors_golden,...] (Facultatif)	Options personnalisées de la recherche absolue pour chaque variable explicative. Pour chaque variable explicative à personnaliser, fournissez la variable, le nombre minimal de voisins et le nombre maximal de voisins dans les colonnes.	Value Table
number_of_neighbors_manual [number_of_neighbors_manual,...] (Facultatif)	Options personnalisées des intervalles manuels pour chaque variable explicative. Pour chaque variable explicative à personnaliser, fournissez le nombre minimal de voisins, l’incrément de nombre de voisins et le nombre d’incréments dans les colonnes.	Value Table
number_of_neighbors_defined [number_of_neighbors_defined,...] (Facultatif)	Options personnalisées définies par l’utilisateur pour chaque variable explicative. Pour chaque variable explicative à personnaliser, fournissez le nombre de voisins.	Value Table
distance_golden [distance_golden,...] (Facultatif)	Options personnalisées de la recherche absolue pour chaque variable explicative. Pour chaque variable explicative à personnaliser, fournissez la variable, la distance de recherche minimale et la distance de recherche maximale dans les colonnes.	Value Table
distance_manual [distance_manual,...] (Facultatif)	Options personnalisées des intervalles manuels pour chaque variable explicative. Pour chaque variable à personnaliser, fournissez la variable, la distance de recherche minimale, l’incrément de distance de recherche et le nombre d’incréments dans les colonnes.	Value Table
distance_defined [distance_defined,...] (Facultatif)	Options personnalisées définies par l’utilisateur pour chaque variable explicative. Pour chaque variable à personnaliser, fournissez la variable et la bande de distance dans les colonnes.	Value Table
prediction_locations (Facultatif)	Classe d’entités avec des localisations pour lesquelles des estimations vont être calculées. Chaque entité dans ce jeu de données doit contenir une valeur pour chaque variable explicative spécifiée. La variable dépendante pour ces entités sera estimée à l’aide du modèle calibré pour les données de la classe d’entités en entrée. Ces entités doivent être proches des entités en entrée (dans 115 pour cent de l’étendue) ou dans la même zone d’étude.	Feature Layer
explanatory_variables_to_match [explanatory_variables_to_match,...] (Facultatif)	Variables explicatives des localisations des prévisions qui concordent avec les variables explicatives correspondantes des entités en entrée.	Value Table
output_predicted_features (Facultatif)	Classe d’entités en sortie qui recevra des estimations de variable dépendante pour chaque localisation des prévisions.	Feature Class
robust_prediction (Facultatif)	Désigne les entités qui seront utilisées dans les calculs de prévision. ROBUST—Les entités avec des valeurs supérieures à trois écarts types de la moyenne (points aberrants de valeur) et les entités dont les pondérations sont égales à 0 (points aberrants spatiaux) seront exclues des calculs de prévision, mais recevront des prévisions dans la classe d’entités en sortie. Il s’agit de l’option par défaut. NON_ROBUST—Chaque entité sera utilisée dans les calculs de prévision.	Boolean
local_weighting_scheme (Facultatif)	Spécifie le type de noyau qui sera utilisé pour fournir la pondération spatiale dans le modèle. Le noyau indique comment les entités sont associées entre elles dans leur voisinage. BISQUARE—Une pondération de zéro sera attribuée aux entités situées en dehors du voisinage spécifié. Il s’agit de l’option par défaut. GAUSSIAN—Toutes les entités reçoivent des pondérations, mais ces dernières sont réduites exponentiellement à mesure qu’elles s’éloignent de l’entité cible.	String
output_table (Facultatif)	Table contenant les statistiques en sortie du modèle MGWR. Un diagramme à barres des bandes passantes ou nombres de voisins estimés est inclus avec la sortie.	Table View
coefficient_raster_workspace (Facultatif)	Espace de travail au sein duquel les rasters de coefficient vont être créés. Quand cet espace de travail est fourni, les rasters sont créés pour l'intersection et chaque variable explicative. Ce paramètre n’est disponible qu’avec une licence Desktop Advanced. Si un répertoire est fourni, les rasters seront de type TIFF (.tif).	Workspace
scale (Facultatif)	Indique si les valeurs des variables explicatives et dépendantes seront mises à l’échelle pour que la moyenne soit égale à zéro et l’écart type à un avant d’ajuster le modèle. SCALE_DATA—Les valeurs des variables seront mises à l’échelle. Les résultats contiendront des versions mises à l’échelle et non mises à l’échelle des coefficients des variables explicatives. NO_SCALE_DATA—Les valeurs des variables ne seront pas mises à l’échelle. Tous les coefficients seront dans les unités des données d’origine et aucun ne sera mis à l’échelle.	Boolean

Sortie obtenue

Nom	Explication	Type de données
coefficient_raster_layers	Rasters en sortie des coefficients des variables explicatives.	Raster
output_layer_group	Groupe de couches des sorties. Chaque couche du groupe représente un champ différent des entités en sortie.	Group Layer

Exemple de code

Exemple 1 d’utilisation de l’outil MGWR : (fenêtre Python)

Le script suivant pour la fenêtre Python illustre l’utilisation de la fonction MGWR.

import arcpy
arcpy.stats.MGWR("r\data.gdb\house_price", "price", "CONTINUOUS", 
                 "review;beds;areas", r"data.gdb\house_price_fit_model", 
                 "DISTANCE_BAND", "GOLDEN_SEARCH", None, None, None, None, 
                 None, None, None, None, None, None, None, None, None, 
                 "review # #;beds # #; areas # #", None, None, 
                 r"data.gdb\house_price", "review review;beds beds; areas areas", 
                 r"data.gdb\house_price_prediction", "ROBUST", "BISQUARE")

Exemple 1 d’utilisation de l’outil MGWR (script autonome)

Le script Python autonome ci-dessous illustre l’utilisation de la fonction MGWR.

# Run MGWR to predict house prices using "Number of Neighbors" and "Golden Search"
# Import modules
import arcpy

# Set the current workspace
arcpy.env.workspace = "C:/data"

# Run MGWR 
arcpy.stats.MGWR("r\data.gdb\house_price", "price", "CONTINUOUS", 
                 "review;beds;areas", r"data.gdb\house_price_fit_model", 
                 "DISTANCE_BAND", "GOLDEN_SEARCH", None, None, None, None, 
                 None, None, None, None, None, None, None, None, None, 
                 "review # #;beds # #; areas # #", None, None, 
                 r"data.gdb\house_price", "review review;beds beds; areas areas", 
                 r"data.gdb\house_price_prediction", "ROBUST", "BISQUARE")

Environnements

Système de coordonnées en sortie, Transformations géographiques, Taille de cellule, Raster de capture, Facteur de traitement parallèle

Informations de licence

• Basic: Limité
• Standard: Limité
• Advanced: Oui