Исследовательская регрессия (Пространственная статистика)—ArcGIS Pro

Сводка

Инструмент Исследовательская регрессия оценивает все возможные комбинации входных потенциальных независимых переменных, выполняя поиск моделей OLS, которые наилучшим образом описывают зависимую переменную в контексте критериев, заданных пользователем.

Более подробно о работе инструмента Исследовательская регрессия

Иллюстрация

График Исследовательская регрессия — С использованием набора возможных независимых значений находит правильные модели регрессии МНК.

Использование

Главное, что делает этот инструмент, это – файл-отчет в виде сообщений, которые появляются в нижней части панели Геообработка во время выполнения этого инструмента. Вы можете получить доступ к сообщениям, переместив курсор мыши на индикатор выполнения, щелкнув на всплывшую кнопку или развернув раздел сообщений в панели Геообработка. Вы также можете открыть сообщения, касающиеся ранее запущенного инструмента Исследовательская регрессия с панели История геообработки.
Этот инструмент при необходимости создает текстовый файл отчета со сводным представлением результатов. Файл отчета добавляется в таблицу содержания и его можно просмотреть в ArcMap, щелкнув его правой кнопкой и выбрав пункт Открыть.
Данный инструмент также формирует дополнительную таблицу всех моделей, соответствующих максимальному предельному p-значению коэффициента и заданному значению Фактора увеличения дисперсии (ФУД). Полное пояснение по каждому элементу отчета и таблицы представлено в разделе Интерпретации результатов выполнения инструмента Исследовательская регрессия.
Этот инструмент использует методы Наименьших квадратов (МНК) и Пространственная автокорреляция (Глобальный индекс Морана I) . Дополнительный файл пространственной матрицы весов используется с инструментом Пространственная автокорреляция (Глобальный индекс Морана I) для оценки невязок модели. Он совсем не применяется с инструментом МНК.
Этот инструмент использует каждую комбинацию возможных независимых значений для поиска правильной модели МНК. Когда он обнаруживает модель, соответствующую критериям Минимальный допустимый скорректированный R-квадрат, Максимальное предельное p-значение коэффициента, Максимальный порог значения VIF и Минимально допустимое p-значение Жака-Бера, запускается инструмент Пространственная автокорреляция (Глобальный индекс Морана I) с невязками модели, чтобы узнать, кластеризованы ли недооценки и переоценки. Чтобы предоставить хотя бы какую-нибудь информацию о кластеризации отклонений, если ни одна из моделей не соответствует этим критериям, тест Пространственная автокорреляция (Глобальный индекс Морана I) также применяется к невязкам для трех моделей с наибольшими скорректированными значениями R² и трем моделям с наибольшими p-значениями Жака-Бера.
Если в зависимой переменной присутствует пространственная структура, следует использовать максимально возможное количество независимых переменных. К примерам пространственных переменных можно отнести расстояние до основных автострад, доступность вакансий, число близлежащих магазинов, измерения связности и плотности. Пока вы не найдете независимые переменные, которые эффективно опишут структуру ваших данных, невязки модели, скорее всего, не смогут пройти тест пространственной автокорреляции. Значительная кластеризация в невязках регрессии, определенная инструментом Пространственная автокорреляция (Глобальный индекс Морана I), указывает на некорректность модели. Стратегии для обработки неправильно определенной модели см. в разделе Что вам не говорят о регрессионном анализе.
Так как инструмент Пространственная автокорреляция (Глобальный индекс Морана I) не запускается для всех тестируемых моделей (см. предыдущий совет по использованию), в дополнительной таблице Выходная таблица результатов будут отсутствовать данные для поля SA (Пространственная автокорреляция). Поскольку файлы DBF (.dbf) не сохраняют нулевые значения, они могут быть выражены очень-очень маленькими (отрицательными) числами (где-то -1.797693e+308). Для таблиц базы геоданных эти отсутствующие значения отображаются как нулевые. Отсутствующее значение указывает, что невязки для связанной модели не были проверены на пространственную автокорреляцию, так как эта модель не соответствует всем другим критериям поиска модели.
Файл матрицы пространственных весов по умолчанию, используемый для запуска инструмента Пространственная автокорреляция (Глобальный индекс Морана I), основан на концептуализации пространственных взаимоотношений 8 ближайших соседей. Значение по умолчанию было выбрано из-за быстрого времени выполнения. Чтобы определить соседские отношения по-разному, можно просто создать собственный файл матрицы пространственных весов с помощью инструмента Построить файл матрицы пространственных весов , затем указать имя этого файла в параметре Выходной файл матрицы пространственных весов. Значения Обратные расстояния, Близость полигонов, К ближайших соседей можно использовать для параметра Определение пространственных взаимоотношений для тестирования отклонений регрессии.
Примечание:
Файл матрицы пространственных весов используется только для тестирования невязок модели для пространственной структуры. Если модель правильно настроена, невязки являются пространственно случайными (значительные отклонения смешаны с небольшими, при этом значительные отклонения не кластеризованы пространственно друг с другом).
Примечание:
Если во Входных объектах имеется 8 или менее объектов, по умолчанию файл матрицы пространственных весов, используемый для запуска инструмента Пространственная автокорреляция (Global Moran's I), основывается на ближайшей окрестности K, где K – число объектов минус 2. В общем, при работе с этим инструментом желательно использовать минимальное количество 30 объектов.

Синтаксис

ExploratoryRegression(Input_Features, Dependent_Variable, Candidate_Explanatory_Variables, {Weights_Matrix_File}, {Output_Report_File}, {Output_Results_Table}, {Maximum_Number_of_Explanatory_Variables}, {Minimum_Number_of_Explanatory_Variables}, {Minimum_Acceptable_Adj_R_Squared}, {Maximum_Coefficient_p_value_Cutoff}, {Maximum_VIF_Value_Cutoff}, {Minimum_Acceptable_Jarque_Bera_p_value}, {Minimum_Acceptable_Spatial_Autocorrelation_p_value})

Parameter	Объяснение	Тип данных
Input_Features	Класс или векторный слой, содержащий зависимую переменную и потенциальные независимые переменные для анализа.	Feature Layer
Dependent_Variable	Числовое поле, содержащее наблюдаемые значения, которые нужно смоделировать с помощью МНК (OLS).	Field
Candidate_Explanatory_Variables [Candidate_Explanatory_Variables,...]	Перечень полей, используемых в качестве независимых переменных в модели МНК (OLS).	Field
Weights_Matrix_File (Дополнительный)	Файл, содержащий пространственные веса, которые определяют пространственные отношения между входными объектами. Этот файл используется для оценки пространственной автокорреляции среди невязок регрессии. Его можно создать с помощью инструмента Построить файл матрицы пространственных весов. Если файл матрицы пространственных весов не указан, пространственная автокорреляция невязок оцениваются на основании 8 ближайших соседей каждого объекта. Примечание: Файл матрицы пространственных весов используется только для анализа пространственной структуры в невязках модели. Он не применяется для построения или калибровки моделей OLS.	File
Output_Report_File (Дополнительный)	Файл отчета содержит результаты, в том числе сведения о всех моделях, которые соответствуют введенным критериям. Этот выходной файл также содержит данные диагностики для исправления распространенных проблем регрессии, если вам не удастся найти подходящие модели.	File
Output_Results_Table (Дополнительный)	Дополнительная выходная таблица, содержит независимые переменные и данные диагностики для всех моделей с указанными p-значениями коэффициентов и значениями ФУД (VIF).	Table
Maximum_Number_of_Explanatory_Variables (Дополнительный)	Оцениваются все модели с независимыми переменными, не превышающими введенные здесь значения. Если, например, параметр Minimum_Number_of_Explanatory_Variables равен 2, а Maximum_Number_of_Explanatory_Variables равен 3, инструментИсследовательская регрессия будет пробовать все модели с каждой из возможных комбинаций из трех независимых переменных.	Long
Minimum_Number_of_Explanatory_Variables (Дополнительный)	Это значение представляет минимальное число независимых переменных для оцениваемых моделей. Если, например, параметр Minimum_Number_of_Explanatory_Variables равен 2, а Maximum_Number_of_Explanatory_Variables равен 3, инструментИсследовательская регрессия будет пробовать все модели с каждой из возможных комбинаций из трех независимых переменных.	Long
Minimum_Acceptable_Adj_R_Squared (Дополнительный)	Это наименьшее значение скорректированного R-квадрата, с которым модель проходит проверку. Если модель соответствует всем другим критериям поиска, но имеет значение скорректированного R-квадрата меньше введенного здесь значения, то она не будет показана как Проходящая модель в Output_Report_File. Корректные значения параметров лежат в диапазоне от 0,0 до 1,0. Значение по умолчанию равно 0.5, что указывает на то, что проходящие модели будут объяснять как минимум 50 процентов изменения в зависимой переменной.	Double
Maximum_Coefficient_p_value_Cutoff (Дополнительный)	Для каждой оцениваемой модели OLS вычисляет p-значения коэффициентов независимой переменной. Пороговое p-значение, вводимое здесь, представляет уровень уверенности, необходимый для всех коэффициентов в модели, чтобы считать модель проходящей. Небольшие p-значения отражают высокий уровень уверенности. Корректные значения для этого параметра лежат в диапазоне от 1,0 до 0,0, но чаще всего это значения 0,1, 0,05, 0,01, 0,001 и т. д. Значение по умолчанию равно 0.05, что указывает на то, что проходящие модели будут содержать только независимые переменные, коэффициенты которых статистически находятся на уровне доверия 95 % (p-значения меньше 0,05). Чтобы ослабить это значение по умолчанию введите большее пороговое p-значение, например 0.1. Если вы получаете множество проходящих моделей, сделайте этот критерий поиска более строгим, уменьшив пороговое p-значение с 0.05 до 0.01 или меньше.	Double
Maximum_VIF_Value_Cutoff (Дополнительный)	Это значение отражает допустимую избыточность (мультиколлинеарность) независимых переменных модели. Если значение VIF (фактор увеличения дисперсии) превышает 7,5, мультиколлинеарность может сделать модель нестабильной; следовательно, в данном случае значение 7.5 является значением по умолчанию. Если вы хотите, чтобы ваши проходящие модели были менее избыточными, введите для этого параметра меньшее значение, например – 5.0.	Double
Minimum_Acceptable_Jarque_Bera_p_value (Дополнительный)	p-значение, возвращаемое диагностическим тестом Жака-Бера определяет, имеют ли невязки модели нормальное распределение. Если p-значение статистически значимое (небольшое), невязки модели не являются нормальными, а модель смещена. У проходящих моделей должны быть большие p-значения Жака-Бера. Минимально допустимое p-значение равно 0,1. Только модели с p-значениями больше этого минимума считаются проходящими. Если у вас не получается найти несмещенные проходящие модели и вы решили ослабить этот критерий, введите меньшее минимальное p-значение, например – 0.05.	Double
Minimum_Acceptable_Spatial_Autocorrelation_p_value (Дополнительный)	Для моделей, которые соответствуют всем другим критериям, инструмент Исследовательская регрессия проверяет невязки модели на пространственную кластеризацию с помощью Глобального индекса Морана I. Если p-значение для этого диагностического теста статистически значимо (небольшое), в модели, скорее всего, недостаточно важных независимых переменных (она описывает не все явление). К сожалению, имеется пространственная автокорреляция невязок, модель задана неправильно и вы не можете доверять результатам. У проходящих моделей должны быть большие p-значения для этого теста. Минимальное p-значение по умолчанию равно 0.1. Только модели с p-значениями больше этого минимума считаются проходящими. Если у вас не получается найти должным образом заданные модели из-за этого диагностического теста и вы решили смягчить этот критерий, введите меньшее минимальное p-значение, например – 0.05.	Double

Пример кода

Пример 1 функции ExploratoryRegression (окно Python)

В следующем скрипте окна Python показано, как используется инструмент ExploratoryRegression.

import arcpy
arcpy.env.workspace = r"C:\ER"
arcpy.ExploratoryRegression_stats("911CallsER.shp", 
                                  "Calls", 
                                  "Pop;Jobs;LowEduc;Dst2UrbCen;Renters;Unemployed;Businesses;NotInLF; \
                                  ForgnBorn;AlcoholX;PopDensity;MedIncome;CollGrads;PerCollGrd; \
                                  PopFY;JobsFY;LowEducFY",
                                  "BG_911Calls.swm", "BG_911Calls.txt", "",
                                  "MAX_NUMBER_ONLY", "5", "1", "0.5", "0.05", "7.5", "0.1", "0.1")

ExploratoryRegression, пример 2 (автономный скрипт)

Следующий автономный Python скрипт демонстрирует, как использовать инструмент ExploratoryRegression.

# Exploratory Regression of 911 calls in a metropolitan area
# using the Exploratory Regression Tool
# Import system modules
import arcpy
# Set property to overwrite existing output, by default
arcpy.env.overwriteOutput = True
try:
    # Set the current workspace (to avoid having to specify the full path to
    # the feature classes each time)
    arcpy.env.workspace = r"C:\ER"
    # Join the 911 Call Point feature class to the Block Group Polygon feature class
    # Process: Spatial Join
    fieldMappings = arcpy.FieldMappings()
    fieldMappings.addTable("BlockGroups.shp")
    fieldMappings.addTable("911Calls.shp")
    sj = arcpy.SpatialJoin_analysis("BlockGroups.shp", "911Calls.shp", "BG_911Calls.shp",
                               "JOIN_ONE_TO_ONE",
                               "KEEP_ALL",
                               fieldMappings,
                               "COMPLETELY_CONTAINS", "", "")
    # Delete extra fieldsto clean up the data
    # Process: Delete Field 
    arcpy.DeleteField_management("BG_911Calls.shp", "OBJECTID;INC_NO;DATE_;MONTH_;STIME; \
                                 SD_T;DISP_REC;NFPA_TYP;CALL_TYPE;RESP_COD;NFPA_SF; \
                                 SIT_FND;FMZ_Q;FMZ;RD;JURIS;COMPANY;COMP_COD;RESP_YN; \
                                 DISP_DT;DAY_;D1_N2;RESP_DT;ARR_DT;TURNOUT;TRAVEL; \
                                 RESP_INT;ADDRESS_ID;CITY;CO;AV_STATUS;AV_SCORE; \
                                 AV_SIDE;Season;DayNight")
    # Create Spatial Weights Matrix for Calculations
    # Process: Generate Spatial Weights Matrix
    swm = arcpy.GenerateSpatialWeightsMatrix_stats("BG_911Calls.shp", "TARGET_FID", "BG_911Calls.swm",
                                             "CONTIGUITY_EDGES_CORNERS",
                                             "EUCLIDEAN", "1", "", "", "ROW_STANDARDIZATION", "", "", "", "")
    # Exploratory Regression Analysis for 911 Calls
    # Process: Exploratory Regression
    er = arcpy.ExploratoryRegression_stats("BG_911Calls.shp",
                                      "Calls",
                                      "Pop;Jobs;LowEduc;Dst2UrbCen;Renters;Unemployed;Businesses;NotInLF; \
                                ForgnBorn;AlcoholX;PopDensity;MedIncome;CollGrads;PerCollGrd; \
                                PopFY;JobsFY;LowEducFY",
                                      "BG_911Calls.swm", "BG_911Calls.txt", "",
                                      "MAX_NUMBER_ONLY", "5", "1", "0.5", "0.05", "7.5", "0.1", "0.1")
 
except:
    # If an error occurred when running the tool, print out the error message.
    print(arcpy.GetMessages())

Environments

Текущая рабочая область, Временная рабочая область

Информация о лицензиях

Basic: Да
Standard: Да
Advanced: Да

Связанные разделы

Отзыв по этому разделу?