Regresin ponderada geogrficamente

ez A. Pa', McMaster University, Hamilton, ON, Canad

DC Wheeler, La Universidad de Emory, Atlanta, GA, EE.UU.

y 2009 Elsevier Ltd. Todos los derechos reservados.

Fondo
Glosario
estadstica bayesiana Una rama de la estadstica que incorpora informacin previa
Geogrficamente regresin ponderada (GWR) es una forma local de anlisis
acerca de los fenmenos con los datos actuales en un modelo estadstico para
espacial introducido en la literatura geogrfica dibujo de enfoques estadsticos
realizar inferencias sobre los parmetros del modelo.
para aplicaciones de suavizado curva fi tting y. Funciona el mtodo basado en
la idea simple pero potente de la estimacin de modelos locales utilizando
El ajuste de Bonferroni Una tcnica que disminuye el valor fi significacin
subconjuntos de observaciones se centraron en un punto focal. Mediante la
estadstica de las pruebas individuales en una situacin en la que mltiples
colocacin de GWR en el contexto de la geografa analtica, este enfoque de
pruebas fi significacin se llevan a cabo simultneamente.
modelado ha hecho un llamamiento a la imaginacin geogrfica mediante la
implementacin, dentro de un marco de regresin lineal a nivel local, el efecto
colinealidad La presencia de correlacin entre las variables
de desintegracin distancia popularizado por Tobler con la primera ley de la
explicativas en un modelo estadstico que puede interferir con la
geografa.
inferencia estadstica.
Validacin cruzada Una tcnica de estimacin de parmetro de modelo que elimina

sistemticamente observaciones a partir de un conjunto de datos para minimizar el

bene fi GWR en la tradicin de la geografa analtica. A raz de los
error de prediccin.
acontecimientos importantes en la geografa humana en los aos 1950 y 1960
distancia Decay Una forma de describir la interaccin disminuida o
como parte de la llamada revolucin cuantitativa, esta tcnica es parte de la
correlacin de los lugares como la distancia entre ellos aumenta.
prctica establecida en la geografa de la utilizacin de tcnicas y modelos
cuantitativos como herramientas para ayudar descubrimiento. Reconociendo el
Mtodo de expansin Un mtodo para estimar espacialmente diferentes
hecho de que los modelos son abstracciones y simplificaciones de la realidad, los
parmetros define como funciones deterministas de las coordenadas de
modelos estadsticos se adoptaron en los primeros tiempos de su capacidad para
observaciones.
describir o explicar los efectos observados en trminos de un conjunto reducido de
Modelo jerrquico bayesiano Un modelo estadstico que utiliza parmetros
relaciones con los factores explicativos que se consideran relevantes para un
aleatorios desconocidos que son a su vez especi fi con otros parmetros.
proceso espec fi co. En particular, el siguiente modelo se convirti en un caballo
de batalla de anlisis geogrfico:
Funcin del ncleo Una funcin matemtica que acepta una entrada de la
distancia entre las observaciones y devuelve un valor que representa una
medida de asociacin.

y yo segundo 0 segundo 1 X 1 yo segundo 2 X 2 yo ? segundo k X ki mi yo

kriging Un mtodo para la interpolacin espacial que los modelos de la covarianza
segundo 0 X segundo k X ki mi yo 1
de las observaciones a ciertas distancias ms espacio.
K

autocorrelacin espacial Una relacin de dependencia entre los valores de
una variable debido a la disposicin geogrfica de las unidades en un mapa.
La heterogeneidad espacial La variacin de una condicin o de la relacin
de un lugar a otro.
La interpolacin espacial Un mtodo para la prediccin de un valor
desconocido de una variable espacialmente continuo en un lugar que utiliza
los valores de los lugares vecinos.
no estacionariedad espacial Una condicin en la que la relacin entre
variables no es constante a travs de un rea de estudio.
estacionariedad La presencia de un medio constante y una funcin de
covarianza que depende slo de la distancia entre ubicaciones en un
proceso espacial.
Este modelo es un ed simplifica y representacin estilizada de la realidad,
desarrollado para describir o explicar la variacin sistemtica de un fenmeno,
permitiendo al mismo tiempo la incertidumbre. El modelo relaciona un nmero ( k)
de variables relevantes explicativas (o independientes) X a una respuesta (o
variable dependiente) y por unidad de observacin i (i 1,
2, Y, norte). Las relaciones entre las variables de respuesta y explicativas
estn dadas por coe fi cientes segundo k que representan la respuesta
media. El modelo se llama una regresin, ya que 'regresa' las variables
hacia la media. Adems de esta estructura media, la incertidumbre entra a
travs de un conjunto de trminos mi yo, diversamente llamado residuales,
errores o perturbaciones. Estos trminos, estimables partir de los datos
una vez que el modelo haya especi fi, miden la diferencia entre la
descripcin sistemtica (media) del proceso, y el resultado observado.

407
408 Regresin ponderada geogrficamente

Los supuestos habituales relativas a los residuos mi en el anlisis de regresin son
aleatoriedad (es decir, se supone que toda la variacin sistemtica de tenerse en cuenta en el
modelo), un valor esperado de cero, la independencia y varianza constante. Pronto gegrafos
dieron cuenta de que algunos de estos supuestos, en particular, la independencia, eran a
menudo insostenible cuando se introdujo la ubicacin de las observaciones. Los desarrollos
tcnicos se centraron inicialmente en anlisis inferencial de patrones espaciales (por ejemplo,
GWR, consisti en la seleccin de submuestras de datos en funcin de la
distancia en el espacio geogrfico, y la nocin de que, a diferencia de la mayora
de las aplicaciones en las estadsticas cuya principal preocupacin es la curva de
fi tting (en un sentido predictivo), las relaciones no estacionarios podran ser
investigados, as , en un sentido exploratorio o explicativo.

estadsticas C de Geary de autocorrelacin espacial I de Moran y), y las herramientas GWR se define como un modelo que es localmente lineal en la media:
posteriores para modelar patrn espacial (autorregresin espacial, y la regresin con errores

espacialmente autocorrelacionados). Las tcnicas maduraron, y para mediados de la dcada

de 1990, gracias en parte a un nuevo software, el anlisis espacial haban encontrado y yo segundo 0 yo X segundo ki X ki mi yo 2

aplicacin en muchas reas de la geografa, y haban comenzado a trascender la disciplina K

para convertirse habitualmente utilizado en otros lugares, sobre todo en la ingeniera civil, la
Los elementos del modelo son como se ha definido anteriormente, excepto que
economa de bienes races, y los estudios regionales y urbanas. Sin embargo, algunos
ahora los coeficientes segundo ki no son estacionarias sino que corresponden a la
analistas se dieron cuenta de que, a pesar de su capacidad de capturar los patrones de
ubicacin yo, denominado el punto focal, que es el punto seleccionado para la
mapas, las tcnicas en uso (estadsticas de autocorrelacin, anlisis de regresin, regresin
estimacin del modelo local. En general, el nmero de modelos locales metro no se
espacial) fueron todava insu fi cientemente geogrfica. estadsticas de autocorrelacin fueron
fija y un nmero arbitrario de ellos ( metro Z 1) puede, en principio, ser estimada para
capaces de detectar patrones de mapa, pero no produjeron resultados asignables. En otras
una regin. En muchas aplicaciones, el punto focal para cada estimacin local, se
palabras, no se identificaron lugares en los efectos espaciales eran relevantes o fuerte. El
hace coincidir con la ubicacin de una observacin yo, aunque esto no es
modelo de regresin en la ecuacin [1] ilustra esta situacin asumiendo que las relaciones (los
necesariamente el caso. En este sentido, coe fi cientes pueden estimarse para
coe fi cientes regresin espacial) eran todava insu fi cientemente geogrfica. estadsticas de
cualquier lugar dentro del rea de estudio, independientemente de si los datos se han
autocorrelacin fueron capaces de detectar patrones de mapa, pero no produjeron resultados
recogido en ese momento - por ejemplo, un punto focal genrica o. Teniendo en
asignables. En otras palabras, no se identificaron lugares en los efectos espaciales eran
cuenta los datos de covarianza, la respuesta puede ser estimado en ubicaciones no
relevantes o fuerte. El modelo de regresin en la ecuacin [1] ilustra esta situacin asumiendo
muestreadas, as, una caracterstica del modelo que lo hace atractivo para los
que las relaciones (los coe fi cientes regresin espacial) eran todava insu fi cientemente
propsitos de interpolacin espacial que se parecen mucho a los orgenes de GWR.
geogrfica. estadsticas de autocorrelacin fueron capaces de detectar patrones de mapa, pero
La caracterstica principal de GWR de inters en la literatura geogrfica se refiere a
no produjeron resultados asignables. En otras palabras, no se identificaron lugares en los
los coeficientes en la ecuacin [2], que son especfica a la ubicacin yo.
efectos espaciales eran relevantes o fuerte. El modelo de regresin en la ecuacin [1] ilustra esta situacin asumiendo que las relaciones (los coe fi cientes segundo k) son estacionarios o constante a travs del espacio.

Posteriormente, el anlisis estadstico espacial y modelado llegaron a ser

vistos como un ejercicio en el descubrimiento o la validacin de las
tendencias o promedios globales - es decir, en el estudio de las relaciones
Con la obtencin de fi coeficientes de localizacin especfica, GWR proporciona
fijas que se supone representan igualmente bien, en cualquier lugar dentro
una herramienta para investigar la cuestin de la no estacionariedad geogrfica. Un
del sistema, el fenmeno est examinando. Se ha sugerido, sin embargo,
ejemplo de salida GWR se muestra en la
que la bsqueda de tendencias y normas generales con vistas contextos, y
Figura 1 . Un modelo de proporcin de titulares de la licenciatura (variable
especialmente las variaciones geogrficas. Hay ya ha surgido un inters en
dependiente) se estima utilizando diferentes medidas socioeconmicas y
las formas de anlisis espacial que se centran en lo que Michael Goodchild
demogrficas como covariables, incluyendo proporcin de la poblacin
ha denominado la segunda ley de la geografa, o el principio de la
que es rural, la proporcin de poblacin por debajo de la, etc., utilizando
heterogeneidad espacial. Estos mtodos producen representaciones ms
los condados en Georgia, EE.UU. como unidades de anlisis. Los
precisas y sofisticadas del mundo.
resultados de la regresin sugieren una relacin negativa entre la
proporcin de la poblacin rural en un condado, y la proporcin de los
titulares de grado en el estado de Georgia. Sin embargo, esta relacin
parece ser considerablemente ms fuerte (es decir, ms negativo) en las
partes sureste del estado. una salida similar se puede obtener para todos
Regresin ponderada geogrficamente
los coeficientes del modelo.

Entre los diversos mtodos exploratorios y explicativos para el anlisis

espacial local, GWR ha atrado una atencin considerable. Este mtodo
fue propuesto en 1996 por Brunsdon, Fotheringham, y Charlton estudiar no
estacionariedad espacial paramtrico - la naturaleza variable de las
relaciones en el espacio geogrfico. GWR se relaciona con la tcnica no
paramtrica conocida como la regresin ponderada localmente,
desarrollado en las estadsticas para alisar y aplicaciones racor Curve-
basado en la idea simple pero potente de la estimacin de estadsticas
utilizando submuestras de datos en torno a puntos especficos. La
innovacin en el caso de
La estimacin de los parmetros del modelo
El modelo GWR es relativamente simple, y consiste en observaciones de
ponderacin en funcin de su ubicacin relativa con respecto a un punto
focal. Los pesos w ij relacionada punto focal yo a cada observacin j en el
sistema vienen dadas por una expresin, llamada funcin kernel, que
implementa el concepto de decadencia distancia (o la primera ley de la
geografa): En igualdad de condiciones, los eventos ms cerca de
 Regresin ponderada geogrficamente 409

B3_GWR (PctRural)
- 0,1000 a - 0,0510
- 0,0510 a - 0,0432
- 0,0432 a - 0,0374
- 0,0374 a - 0,0320
- 0,0320 a - 0,0000 0 20 40
60

kilmetros

Figura 1 Ejemplo de una variable espacialmente coeficiente estimada usando el enfoque GWR.

espacio estn ms relacionadas que otros eventos. En esencia, la funcin del
ncleo coloca una ventana sobre las observaciones, por lo tanto la seleccin de una
submuestra de puntos. La ventana posteriormente puede ser desplazado para
reestimacin local del modelo. Un nmero de diferentes funciones del ncleo se han
propuesto y utilizado en la prctica. En quizs el caso ms simple, un sistema de
ponderacin binaria podra ser utilizado de la siguiente manera:
dnde re ij es la distancia entre las observaciones yo y j, y
re es una distancia de corte que define el tamao de la ventana. A pesar de su
simplicidad, esta funcin kernel no ha sido ampliamente utilizado. En cambio, la
mayora de aplicaciones de GWR han favorecido funciones continuas que
producen pesos montonamente decreciente, como la exponencial negativa:

( !
Si re ij r re re 2 ij
w ij 1; 3 w ij exp 4
0; de otra manera 2 gramo 2
410 Regresin ponderada geogrficamente

o el ncleo bi-plaza: En la asignacin directa de tamao de la ventana, el analista decide el porcentaje

de todas las observaciones en la muestra a incluir en cada regresin local, o
!2
alternativamente una distancia de corte puede ser adoptada sobre la base de razones
w ij 1 re 2 ij 5 prcticas o tericas (por ejemplo, rango fl ight de mosquitos). Ms comnmente, el
gramo 2
tamao de la ventana es validado a travs de procedimientos que implican una
medida de la bondad-de- fi t de las regresiones locales a los datos. El siguiente
En estas formulaciones, en lugar de un esquema binario, el peso
procedimiento de validacin cruzada sigue siendo la tcnica de calibracin ms
unido a cada observacin j con respecto a yo
ampliamente utilizado:
vara como una funcin de la distancia intervenir re io entre los dos lugares
mediadas por gramo, un parmetro que controla la velocidad de cambio de la
funcin, es decir, el tamao de la ventana. Se han propuesto funciones fi ed 2
min y yo y yo re re 9
kernel Modi que adaptarse a la densidad de observaciones dentro de una re CVS re re X
yo

regin mediante el uso de filas en lugar de distancia:

CVS es una puntuacin de validacin cruzada, en esencia, una suma de errores al

cuadrado entre el valor observado de y a yo, y el valor predicho de y a yo despus de

quitar la observacin yo para la estimacin (

w ij exp R ij 6
gramo
y yo ). El ltimo valor es una funcin de ventana
tamao RE, que depende de o bien la distancia de corte re , parmetro gramo, o el

con R ij como el rango de j cuando las observaciones se ordenan por el aumento de la nmero de vecinos ms cercanos. En pocas palabras, la validacin cruzada intenta

distancia del punto focal yo. Como alternativa, tambin es posible para definir la funcin hallar el tamao de la ventana que da la mejor correspondencia (minimiza la

del ncleo en trminos de vecinos ms cercanos a la ubicacin yo: diferencia) entre los valores predichos y observados de y. El protocolo de dejar uno
fuera (observacin eliminacin yo en validacin cruzada) es seguido de impedir los
estimadores locales de envolver alrededor de un solo punto de datos, es decir, la
8> <>:
marido yo 2; estimacin de un punto de datos perfectamente. Una vez que el tamao de la
Si j es uno de norte th ms cercana
re ij = re 2
vecinos de yo ventana ha sido validado coeficientes locales pueden estimarse utilizando la
w ij 1 7
ecuacin [8].
0; de otra manera

Ms recientemente, se han propuesto cationes modificadores del criterio

dnde re es la distancia a la norte th vecino ms cercano.
de informacin de Akaike (AIC) como una herramienta de validacin
Una vez que una funcin del ncleo ha sido elegido, los coe fi cientes
WindowSize. A pesar de las ventajas potenciales de la adopcin de un
regresin local GWR se estiman utilizando la siguiente expresin (en forma
enfoque de informacin-terico para la validacin, esta alternativa sigue
de matriz):
siendo infrautilizada. Es importante tener en cuenta que ni el uso de CVS ni
AIC se han investigado sistemticamente en la literatura geogrfica desde la
segundo yo X T W yo X 1 X T W yo Y 8
perspectiva de sus propiedades y el comportamiento. Como consecuencia
de ello, no queda claro si, y en caso afirmativo, en qu condiciones, uno de
dnde W yo es una matriz diagonal de tamao ( norte norte), especfica a la ubicacin yo, con
estos procedimientos de validacin deben ser preferidos.
el yo simo elemento en la diagonal ( w ij) propuesta por el valor de la funcin kernel para

el par observacin yo

y j.
Un punto a tener en cuenta es que los estimadores de la ecuacin [8] son una
funcin de datos conocidos (la X y y observaciones), as como la matriz de peso,
lo que depende de la distancia conocida entre las observaciones, sino tambin un
parmetro desconocido que define el tamao de la ventana. En general, se acepta
que, en trminos de estimacin, la seleccin de una forma funcional para el ncleo
es menos crtica que la seleccin de un tamao de la ventana. Por lo tanto, hay
una necesidad de criterios para guiar la determinacin de la distancia crtica d ( en
el caso de la ecuacin [3]), el valor de g ( en las ecuaciones [4] - [6]), o el nmero
de vecinos ms cercanos (en el caso de la ecuacin [7]) en aplicaciones
especficas.
extensiones
Adems del marco de regresin lineal, la idea de aplicar pesos
geogrficos se ha extendido a una variedad de otras tcnicas, para
producir estadsticas descriptivas geogrficamente ponderados, anlisis
discriminante, regresin logstica, regresin de Poisson, y modelos
probit geogrficamente ponderados. Con respecto a modelar espec fi
cacin y estimacin, se han propuesto modelos GWR mixtos que
combinan coeficientes espacialmente estacionarias y no estacionarias,
mientras que la investigacin ms reciente ha introducido expansin
lineal local de los coeficientes.

Validacin cruzada
Se han propuesto dos mtodos generales (asignacin directa de tamao de la
ventana o validacin de tamao de la ventana) para determinar un tamao de
ventana apropiado para la estimacin.
Cuestiones
Una serie de cuestiones relacionadas con el desarrollo y uso de GWR
mencin mrito. El primero se refiere al tema de la

inferencia con respecto a los coe fi cientes de regresin locales. Un enfoque
para el desarrollo de un marco de pruebas ha sido la adopcin de la
formulacin paramtrica del mtodo y los conceptos afines, desarrollado
principalmente en la literatura estadstica, del nmero efectivo de las
observaciones y nmero efectivo de coeficientes. Estos conceptos son
analogas de las contrapartes de regresin globales, y proporcionan la base
para la obtencin de intervalos de con fi anza y otras estadsticas. Un segundo
enfoque para desarrollar pruebas ha sido ver el mtodo como un conjunto de
modelos de regresin locales. Esto da lugar a un tema diferente cada vez que
el nmero de modelos locales que ser estimado superior a un ( metro 4 1), ya metro parmetros del modelo GWR a travs de la validacin cruzada puede
hiptesis necesitan ser probados simultneamente. El problema es que, como
el nmero de pruebas se incrementa, hay una probabilidad creciente de que
algunos se suba significativo, aunque slo sea por casualidad. Por tanto, existe
una necesidad de dar proteccin al grupo de instrucciones a travs de las tasas
de error de grupo en comparacin con las tasas de error individuales - en otras
palabras, el nivel individual de significacin necesita ser ajustado para
comparaciones mltiples. Se han propuesto varios procedimientos para
proporcionar el tipo de proteccin necesario cuando se realiza la inferencia
simultnea. Un procedimiento simple se basa en la desigualdad probabilidad
Bonferroni, un procedimiento simple que divide el nivel general fi significacin un
( tolerancia de error de grupo) por el nmero de pruebas metro para obtener un
nivel significacin fi ajustado un/ m ( hiptesis individuo tolerancia de error).
Aunque este procedimiento rpido y spero no requiere supuestos de
distribucin y es simple de usar, las pruebas resultantes carecen de potencia y
son excesivamente conservadores cuando las pruebas estn altamente
correlacionados (es decir, no es independiente), que es ciertamente el caso en
GWR debido a la utilizacin de subconjuntos de superposicin de datos.
Existen otros mtodos que mejoran el poder de las pruebas mediante la
introduccin de multiplestep esquemas de rechazo que ajustan el tamao de la
pena con el nivel de significacin de una manera secuencial.
Un segundo problema con GWR se refiere a los altos niveles de variabilidad
espacial frente los profesionales, una situacin que suscita la preocupacin de
que los resultados pueden ser engaosos si no interpretados con precaucin.
Una fuente de coef regresin variabilidad fi ciente en GWR proviene de
colinealidad, o correlacin en las variables explicativas del modelo. Colinealidad
se ha encontrado en el trabajo emprico a ser un problema en los modelos de
GWR a nivel local, incluso en casos en que no es un problema en el modelo de
regresin tradicional, o global, lineal con los mismos datos. Adems de la alta
variabilidad de los coeficientes estimados coef regresin fi, no puede ser fuerte
covariacin en las GWR cientes coe fi para diferentes parmetros (efectos de
covarianza o el intercepto), al menos en parte debido a la colinealidad. El inflado
coef regresin variabilidad deficiente asociada con la colinealidad local puede
conducir a coef reveses y una sobreestimacin de las magnitudes de efecto,
ambos de los cuales podran dar lugar a interpretaciones incorrectas de
relaciones de regresin de signos fi cientes. herramientas de diagnstico de
colinealidad se han desarrollado para el GWR
Regresin ponderada geogrficamente 411
marco que puede detectar cundo y dnde hay altos niveles de cientes de
regresin correlaciones deficiente debido a la colinealidad. Estimacin de
coe fi cientes de regresin desde ubicaciones de calibracin que se
diagnostican como problemtica se deben interpretar con precaucin y
anlisis adicionales pueden ser necesarios en estas reas para comprender
la naturaleza de las relaciones en estudio.
Una cuestin ms prctica con GWR es con el tiempo de ejecucin
de clculo de las implementaciones de la tcnica. La estimacin de los
ser computacionalmente intensivo para conjuntos de datos
relativamente modestas de miles de ubicaciones calibracin del modelo
y varias covariables. Sin embargo, la naturaleza del algoritmo de
estimacin de GWR se presta bien a las soluciones de computacin en
paralelo, donde los diferentes equipos pueden realizar clculos de las
predicciones del modelo en diferentes lugares y las respuestas pueden
ser combinados para evaluar la funcin objetivo para un tamao de
ventana dada. Convenientemente, hay mltiples implementaciones del
mtodo de GWR. Si bien no es libre, GWR 3.0 est disponible de
Fotheringham y sus coinvestigadores. Una, la implementacin de
cdigo abierto de GWR escrito por Roger Bivand est disponible como
un paquete R. En adicin,
debates
Mientras GWR ha ofrecido la posibilidad de entender las relaciones entre las variables ms
espacio, se han realizado varias preocupaciones expresadas acerca de la metodologa en
ambas bases tericas y prcticas. Una de las preocupaciones que dice GWR no es un fi
cada uni, modelo estadstico formal que ofrece un enfoque bien definido para la inferencia
en las relaciones. GWR es en cambio una coleccin de regresiones espaciales locales
donde la dependencia entre coe fi cientes de regresin en diferentes ubicaciones de datos
no es especificados en el modelo, lo que resulta en un modelo de efectos fijada sin puesta
en comn en las estimaciones. Algunos estadsticos prefieren el marco unificado de los
modelos jerrquicos bayesianos. Adems, la reutilizacin de los datos para estimar la
regresin coef coe fi en diferentes ubicaciones crea una situacin comparaciones mltiples
que invalida los intervalos de con fi anza habituales de los coe fi cientes de regresin. Los
debates que rodean el desarrollo y uso de GWR se han complicado por el hecho de que los
modelos con GWR de estilo diferentes coe fi cientes se pueden derivar de separacin de un
marco de regresin ponderada, como un modelo no paramtrico, o como un modelo con
varianza no constante. Mientras que todas estas alternativas producen exactamente las
mismas expresiones de los estimadores, se diferencian conceptual y tcnicamente en cmo
y en qu medida la inferencia puede ser llevado a cabo. Esta caracterstica de la difieren
conceptual y tcnicamente en cmo y en qu medida la inferencia puede ser llevado a cabo.
Esta caracterstica de la difieren conceptual y tcnicamente en cmo y en qu medida la
inferencia puede ser llevado a cabo. Esta caracterstica de la
412 Regresin ponderada geogrficamente
los coe fi cientes de regresin, conocido como equi fi nalidad, ha hecho que sea di fi culto
para algunos investigadores estn de acuerdo en que las propiedades del modelo.
En relacin con el punto anterior, una cuestin de inters que rodea
GWR para algunos investigadores es la cuestin de grados de libertad, que
est directamente relacionado con la complejidad del modelo. Aunque el
concepto de nmero efectivo de grados de libertad es uno aceptada en el
anlisis estadstico (por ejemplo, por mtodos vecino y regularizacin ms
cercanos, entre otros), y el concepto ha sido adoptado en algunas
presentaciones de GWR, algunos investigadores siguen siendo incmodo
con el tema de grados de libertad de los residuos en GWR, y los posibles
resultados de compartir datos a travs de ponderacin espacial para
estimar coe fi cientes de regresin en diferentes lugares.
Sin embargo, otro debate sobre GWR est en la naturaleza de la
aplicacin de la tcnica en s. Se ha sugerido, por ejemplo, que GWR se
adapta bien para la estimacin y prediccin de la variable de respuesta, pero
es tal vez menos til para la explicacin de, o inferencia estadstica formal
sobre, potencialmente espacialmente diferentes efectos de regresin. Dadas
las races de GWR en la regresin lineal local, que fue desarrollado para
estimar una variable de respuesta a nivel local, este debate no es del todo
sorprendente. Cuando interpolacin de una variable de respuesta en el
espacio es de inters, problemas de estimacin, como colinealidad ya no son
una preocupacin importante.
Alternativas
GWR ha puesto de manifiesto la existencia de patrones potencialmente
complejas, no estacionarios, relacionales en el modelado geogrfico. Por
otro lado, el enfoque no es nico en su capacidad para modelar las
relaciones espaciales diferentes, ya que hay algunos antes y tambin
despus desarrollos que cumplen el mismo objetivo, aunque de diferentes
maneras, tanto tcnica como conceptualmente.
Un ejemplo temprano de una forma local de anlisis espacial es el
mtodo de expansin, en el que se permite que los coeficientes de un
modelo de variar en funcin de las variables de expansin definido
analista-de, tpicamente usando las coordenadas de las unidades de
anlisis. Las variables de expansin se introducen usando
formulaciones polinmicos (lineal, cuadrtico, etc.), de tal manera que
los coe fi cientes expandido incorporan variacin contextual a travs de
localizaciones para producir un conjunto de resultados locales,
mapeables tiles para detectar la deriva espacial. El mtodo de
expansin es una manera simple e intuitiva de los modelos de
construccin, pero se limite de otra en que las expansiones son
deterministas y, dependiendo de la forma de la expansin,
posiblemente podra perder variaciones espaciales ms complejas.
Mientras GWR se ha llamado una evolucin natural del mtodo de
expansin,
siendo un enfoque ventanas en movimiento y el mtodo de expansin de una
forma de anlisis de la covarianza.
Un segundo desarrollo en el anlisis espacial local que es anterior
a la popularizacin de GWR en la geografa es el uso de modelos
jerrquicos. Esta es una tcnica de anlisis similar al mtodo de
expansin que permite coeficientes a varan segn la ubicacin,
mientras que la introduccin de la variacin aleatoria de los
coeficientes. El mtodo es atractivo porque los modelos pueden ser
simultneamente definido en varios niveles que incorporan
explcitamente contextos (por ejemplo, sociales) geogrficas y otros en
el anlisis. En modelos multinivel, un tipo de modelo jerrquico, las
regiones (o clases) en cada nivel debe ser de fi nido, por lo que las
observaciones individuales pueden ser 'anidados' de acuerdo con
algn tipo de categorizacin (por ejemplo, zonas geogrficas, los
rangos de edad, tipo de trabajo, etc.). Adems de las preocupaciones
habituales con unidades capaces de rea modi fi,
En relacin con el modelo jerrquico es el modelo Bayesiano
jerrquica, en la que la informacin acerca de las relaciones se puede
incorporar en el modelo a travs de distribuciones previas de los
parmetros. Si se utilizan poco informativos (o vagos) priors para los
parmetros del modelo y los coeficientes de regresin fi son espec fi
ed como independiente en el modelo, los coe fi cientes de regresin
estimados derivados de muestras de la distribucin posterior parmetro
conjunta sern, en teora, el mismo que en la no modelo jerrquico
-Bayesian. Hay modelos jerrquicos bayesianos con efectos aleatorios,
tanto para la intercepcin y pistas para covariables, donde los efectos
aleatorios pueden ser independientes a priori y pedir la fuerza a travs
de observaciones a nivel mundial o de fi ne a tener una estructura
espacial y la fuerza prestado a nivel local. La principal alternativa
dentro de esta clase de modelos es la Bayesiano variable
espacialmente coef fi modelo ciente, que define la estructura espacial
en los coeficientes de regresin fi a travs de un previo condicional
especfica de cationes de los coeficientes que utiliza observaciones
vecinos nica o a travs de un previo fi especificacin conjunta de los
coe fi cientes que los modelos de los coeficientes como un proceso
espacial (SVCP). En cuanto a la forma en que se modela la
dependencia de coe fi cientes, la especificacin condicional cacin del
modelo bayesiano es similar a un modelo GWR con un ncleo vecino
ms cercano con un pequeo ancho de banda de los vecinos
adyacentes y la especificacin conjunta del modelo bayesiano es
similar a una GWR modelo con un decaimiento distancia, o
geoestadstica, la funcin kernel.

modelado. comparaciones basados en la simulacin de la exactitud de
estimados los coeficientes de regresin fi tanto de GWR y el modelo
Bayesiano SVCP sugieren que el modelo Bayesiano puede ser preferible
GWR para la inferencia sobre los efectos en estudio, en trminos de la
proporcin de los intervalos estimados coeficiente de confianza que
contienen los valores verdaderos. Uno de los inconvenientes del modelo
bayesiano se incrementa el tiempo de clculo y ms dif aplicacin fi cil para
la inferencia. Sin embargo, ms programas generalpurpose de inferencia
bayesiana se est convirtiendo en disponible a travs de paquetes de cdigo
abierto tales como R y WinBUGS.
Observaciones finales
La principal profeso beneficio de GWR en la geografa y otras disciplinas que
han adoptado esta tcnica es la capacidad del mtodo para investigar los
procesos que varan espacialmente a travs de coe fi ciente variabilidad
basadas en el concepto geogrfico de la caries distancia. GWR proporciona
un enfoque intuitivo y tcnicamente accesibles para este fin.
Computacionalmente, la estimacin de los coeficientes puede ser intensa,
pero el problema es altamente soluble utilizando soluciones de computacin
en paralelo que son cada vez ms ampliamente disponible como tecnologa
dominante.
Histricamente, GWR se basa en la adaptacin del espacio de
atributos utilizados en el mtodo de la regresin ponderada localmente
en las estadsticas de la curva fi tting, con el espacio geogrfico en una
regresin ponderada localmente utilizado para el modelado de
relaciones potencialmente espacialmente variables. Mientras que el
nmero de solicitudes de GWR sigue creciendo, ha habido
relativamente pocos intentos de evaluar el grado en que la
transposicin ha tenido xito en proporcionar una herramienta capaz
de recuperar los procesos espaciales de una manera tcnicamente
accesibles, computacionalmente econmico, y en ltima instancia
precisa. La evidencia disponible indica que GWR es una buena
herramienta para estimar y predecir una variable dependiente
espacialmente variable, dentro de un marco tcnico que es menos
exigente que, por ejemplo, el anlisis variogrfico y el uso de
ecuaciones kriging.
Con respecto a la estimacin de los efectos potencialmente
espacialmente variables, la evidencia indica que GWR es capaz de
detectar, y en cierta medida la recuperacin de superficies fi coeficiente
subyacentes. GWR proporciona la estimacin de variables espacialmente
coe fi cientes, pero no un marco inferencial ampliamente acordados. Como
tal, parece prudente en este momento para abordar el uso de GWR para
fines de inferencia con cierta cautela. Mientras que las pruebas disponibles
indican que el enfoque es til para detectar los patrones de coeficiente no
estacionarias, el grado de precisin no puede ser extremadamente alta, y
por tanto su
Regresin ponderada geogrficamente 413
usar para sacar conclusiones con respecto a los procesos espaciales
sustantivas debe siempre que sea posible ser apoyado con otras formas de
anlisis, como el mtodo de expansin, y / o de niveles mltiples o modelos
bayesianos jerrquicos. Este punto de vista del mtodo sera alinearlo ms
estrechamente con otras herramientas utilizadas para el anlisis de datos
exploratorio. Ms apoyo proporcionado por otras tcnicas ayudara a
incrementar el nivel de confianza con respecto a cualquier conclusin sobre
el carcter, la naturaleza y posibles orgenes de la variacin espacial
relaciones entre las variables.
Ver tambin: Primera Ley de Geografa; Kriging y variogramas Modelos; Modi fi
cables Problema unidad de superficie; Metodologas cuantitativas; Revolucin
cuantitativa; Regresin, lineales y no lineales; Autocorrelacin espacial; Mtodo
expansin espacial; Espacial Estimacin Densidad filtrado / Kernel; Interpolacin
espacial; Modelos autorregresivos espacialmente; Estadsticas, espacial.
Otras lecturas
Atkinson, PM, alemn, SE, Sear, DA y Clark, MJ (2003).
Explorar las relaciones entre la erosin del ro y los controles geomorfolgicas
mediante regresin logstica ponderada geogrficamente. Anlisis geogrfico 35 (1),
58 a -82. Brunsdon, C., Fotheringham, AS y Charlton, ME (1996).
regresin ponderada geogrficamente: Un mtodo para explorar no estacionariedad
espacial. Anlisis geogrfico 28 (4), 281--298. Cleveland, WS y Devlin, SJ (1988).
Localmente ponderado de regresin -
un enfoque de anlisis de regresin por racor local. Revista de la Asociacin Americana
de Estadstica 83 (403), 596--610. Fotheringham, AS y Brunsdon, C. (1999). las formas
locales de espacial
anlisis. Anlisis geogrfico 31 (4), 340--358. Fotheringham, AS, Brunsdon,
C. y Charlton, M. (2002).
Regresin ponderada geogrficamente: El Anlisis de la variacin espacial
Relaciones. Chichester: Wiley. Goodchild, MF (2004). La validez y la utilidad de
las leyes de la ciencia de la informacin geogrfica y la geografa.
Anales de la Asociacin Americana de Gegrafos 94 (2), 300--303.
LeSage, JP (2004). Una familia de regresin ponderada geogrficamente
modelos. En Anselin, L., Florax, RJGM & Rey, SJ (eds.)
Los avances en la econometra espacial, pp 241 a -264. Berln: Springer. Leung, Y., Mei,
CL y Zhang, WX (2000). Las pruebas para espacial
autocorrelacin entre los residuos de la regresin geogrficamente ponderada. Medio
Ambiente y Ordenacin A 32 (5), 871--890. McMillen, DP (1996). Ciento cincuenta aos de
valor de la tierra en
Chicago: Un enfoque no paramtrico. Journal of Economics Urban
40 (1), 100--124.
Mei, CL, l, SY y Fang, KT (2004). Una nota en el mixto
modelo de regresin geogrficamente ponderada. Revista de Ciencia Regional 44 (1),
143--157.
ez pa', A. (2006). Exploracin de variaciones contextuales en uso de la tierra y
anlisis de transporte utilizando un modelo probit con pesos geogrficas.
Diario de Transporte Geografa 14 (3), 167--176. ez pa', A., Long, F. y Farber, S.
(2008). Mover enfoques ventana
para la estimacin de precios hednicos: Una comparacin emprica de cuatro tcnicas. Estudios
Urbanos 45 (8), 1565-1581. ez Pa', A., Uchida, T. y Miyamoto, K. (2002). Un marco general
para
estimacin e inferencia de modelos de regresin ponderada geogrficamente: 1.-Ubicacin
espec fi cos anchos de banda de ncleo y una prueba de heterogeneidad de localizacin. Medio
Ambiente y Ordenacin A 34 (4), 733--754.
414 Regresin ponderada geogrficamente

Wheeler, D. y Tiefelsdorf, M. (2005). Multicolinealidad y correlacin Sitios web relevantes

entre los coeficientes de regresin fi locales en la regresin ponderada geogrficamente. Diario
de Sistemas geogrficas 7 (2), 161--187. Wheeler, DC y Calder, CA (2007). Una
http://www.mrc-bsu.cam.ac.uk/bugs/winbugs/contents.shtml
evaluacin del coeficiente
WinBUGS sitio web.
precisin en modelos de regresin lineal con espacialmente diferentes coeficientes. Diario
de Sistemas geogrficas 9 (2), 145--166.