Сводка
Анализирует две переменные на предмет статистически значимых отношений с использованием локальной энтропии. Каждый объект классифицируется в одной из шести категорий на основании типа отношений. Выходные данные можно использовать для визуализации областей, где существуют отношения между переменными и изучения изменений отношений в пределах области изучения.
Более подробно о том, как работает инструмент Локальные бивариантные отношения
Иллюстрация
Использование
Инструмент использует точки или полигоны в качестве входных данных и для переменных требует непрерывные данные. Не подходит для бинарных или категорийных данных.
Рекомендуется хранить Выходные объекты в базе геоданных, а не в шейп-файле (.shp). Шейп-файлы не могут хранить значения null в атрибутах и диаграммы во всплывающих диалоговых окнах.
Каждому входному объекту присваивается одна из следующих категорий отношений, исходя из того, насколько достоверно Независимая переменная может спрогнозировать значения Зависимой переменной:
- Не значимы – между переменными не выявлено статистически значимых отношений.
- Линейные положительные – зависимая переменная линейно возрастает с ростом независимой переменной.
- Линейные отрицательные - зависимая переменная линейно снижается с ростом независимой переменной.
- Вогнутые - зависимая переменная изменяется, образуя вогнутую кривую с ростом независимой переменной.
- Выпуклые - зависимая переменная изменяется, образуя выпуклую кривую с ростом независимой переменной.
- Сложные неопределенные - переменные значимо связаны, но тип отношений не может быть корректно описан какой-либо категорией.
Наличие или отсутствие отношения между двумя переменными не зависят от того, какая из них назначается независимой, а какая - зависимой. Например, если диабет связан с ожирением, то и ожирение аналогично связано с диабетом. Тем не менее, классификация типов отношений может меняться, в зависимости от того, какая из переменных назначается независимой, а какая - зависимой. Вполне возможно, что одна переменная точно прогнозирует значения второй переменной, при этом вторая переменная прогнозирует значения первой значительно менее точно. Если вы не уверены, какая переменную стоит назначить зависимой, а какую – независимой, запустите инструмент два раза и попробуйте оба варианта.
Инструмент поддерживает параллельную обработку и использует до 50 % доступной мощности процессора по умолчанию. Количество используемых процессоров можно изменить при помощи параметра среды Коэффициент параллельной обработки.
Синтаксис
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})| Parameter | Объяснение | Тип данных |
in_features | Класс объектов, содержащий поля, представляющие dependent_variable и explanatory_variable. | Feature Layer |
dependent_variable | Числовое поле, представляющее значения зависимой переменной. В категориях отношений, explanatory_variable используется для прогнозирования значений dependent_variable. | Field |
explanatory_variable | Числовое поле, представляющее значения независимой переменной. В категориях отношений, explanatory_variable используется для прогнозирования значений dependent_variable. | Field |
output_features | Выходной класс объектов, содержащий все входные объекты с полями, представляющими dependent_variable, explanatory_variable, оценку энтропии, псевдо вероятность (p), уровень достоверности, тип категории отношения, и диагностику, относящуюся к категориям. | Feature Class |
number_of_neighbors (Дополнительный) | Число соседних объектов вокруг каждого объекта (включая сам объект) которое будет использовано для тестирования локальных отношений между переменными. Число соседних объектов должно быть в пределах 30 и 1000, по умолчанию – 30. Указанное значение должно быть достаточно большим для выявления отношений между объектами, но достаточно небольшим для сохранения возможности идентификации локальных закономерностей. | Long |
number_of_permutations (Дополнительный) | Указывает число перестановок для расчета псевдо (p) вероятности для каждого объекта. Выбор числа перестановок является компромиссом между точностью псевдо p-значением и временем обработки.
| Long |
enable_local_scatterplot_popups (Дополнительный) | Указывает, будут ли созданы точечные диаграммы во всплывающих окнах для каждого выходного объекта. Каждая точечная диаграмма отображает значения независимой (горизонтальная ось) и зависимой (вертикальная ось) переменных, а также линию или кривую соответствия, визуализирующую форму отношения. Точечные диаграммы не поддерживаются, если выходные данные заданы в виде шейп-файла.
| Boolean |
level_of_confidence (Дополнительный) | Определяет уровень достоверности для гипотезы значимости отношений.
| String |
apply_false_discovery_rate_fdr_correction (Дополнительный) | Указывает, будет ли применена коррекция средней доли ложных отклонений гипотезы (FDR) для псевдо p-значений.
| Boolean |
scaling_factor (Дополнительный) | Контролирует чувствительность к определению неявных отношений между переменными. Большие значения (близко к единице) позволяют выявить относительно слабо выраженные отношения, а небольшие значения (близкие к нулю) позволяют выявить только явно выраженные отношения. Небольшие значения также больше устойчивы к выбросам. Значения должны быть в пределах от 0.01 и 1, по умолчанию – 0.5. | Double |
Пример кода
Скрипт окна Python, демонстрирующий использование инструмента LocalBivariateRelationships.
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)Следующий автономный Python скрипт демонстрирует, как использовать инструмент LocalBivariateRelationships.
# 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())Environments
Информация о лицензиях
- Basic: Да
- Standard: Да
- Advanced: Да