Escolar Documentos
Profissional Documentos
Cultura Documentos
1 1 7
1 .
25 4 .
1 4
re s
Análise Espacial III
h a
i n
L Rafael de Freitas Souza
ves
N a
r o
Ped
-6 1
1 1 7
1 .
4 .25
s 14
a re
Introdução à Análise Exploratória
inh de Dados Espaciais
s L
a v e
o N
d r
Pe
Análise Exploratória de Dados Espaciais
-6 1
1 1 7
• Conforme discutem Piatkowska, Messner e Yang 5 1 .
(2018), a Exploratory Spatial
Data Analysis (ESDA) direciona-se a facilitar 4a. 2identificação e a visualização
1 4
de padrões espaciais de um dado fenômeno.
re s
h a
Li n
v es
N a
d r o
P e
e d r
𝑆 =
0 σ σ𝑖 𝑤 =𝑛
𝑗 𝑖𝑗 P
em que 𝑛 é igual ao total de observações; caso haja 𝑞 observações sem vizinhos, estas devem ser subtraídas de
𝑛, gerando o exposto por:
𝑆0 = σ𝑖 σ𝑗 𝑤𝑖𝑗 = 𝑛 − 𝑞
Padronização em Linha da Matriz 𝐖
-6 1
1 7
1 PER
1 .
25
ARG BOL BRA CHL COL ECU GUY GUF PRY SUR URY VEN
ARG 0.00 0.20 0.20 0.20 0.00 0.00 0.00
4
0.00. 0.20 0.00 0.00 0.20 0.00
BOL 0.20 0.00 0.20 0.20 0.00 0.00 0.00
s 14
0.00 0.20 0.20 0.00 0.00 0.00
BRA 0.14 0.14 0.00 0.00 0.14 0.00
a re
0.14 0.14 0.14 0.14 0.00 0.00 0.00
CHL 0.33 0.33 0.00 0.00 0.00
i n h0.00 0.00 0.00 0.00 0.33 0.00 0.00 0.00
COL 0.00 0.00 0.25 0.00
s L
0.00 0.25 0.00 0.00 0.00 0.25 0.00 0.00 0.25
ECU 0.00 0.00 0.00
a v
0.00 e 0.50 0.00 0.00 0.00 0.00 0.50 0.00 0.00 0.00
GUY 0.00 0.00
o N
0.33 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.33 0.00 0.33
GUF 0.00 0.00
d r0.50 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.50 0.00 0.00
PRY
PER
0.33
0.00
Pe
0.33
0.20
0.33
0.20
0.00
0.20
0.00
0.20
0.00
0.20
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
SUR 0.00 0.00 0.33 0.00 0.00 0.00 0.33 0.33 0.00 0.00 0.00 0.00 0.00
URY 0.50 0.00 0.50 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
VEN 0.00 0.00 0.33 0.00 0.33 0.00 0.33 0.00 0.00 0.00 0.00 0.00 0.00
Dupla Padronização da Matriz 𝐖
-6 1
1 1 7
1 .
25
A ideia do procedimento da dupla padronização da matriz de pesos espaciais 𝑊 é a de transformá-la em
4 .
uma matriz estocástica, cujo somatório de todos os seus pesos 𝑆0 seja igual a 1:
4COL
ARG BOL BRA CHL
s 1 ECU GUY GUF PRY PER SUR URY VEN
𝑤𝑖𝑗 ARG 0.00
a r
0.02e 0.02 0.02 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.02 0.00
𝑤𝑖𝑗𝑑𝑢𝑝𝑙𝑎𝑚𝑒𝑛𝑡𝑒 𝑝𝑎𝑑𝑟𝑜𝑛𝑖𝑧𝑎𝑑𝑜 = σ
𝑖 σ𝑗 𝑤𝑖𝑗
BOL
BRA
0.02
i n h0.00 0.02 0.02 0.00 0.00 0.00 0.00 0.02 0.02 0.00 0.00 0.00
L
0.02 0.02 0.00 0.00 0.02 0.00 0.02 0.02 0.02 0.02 0.00 0.00 0.00
CHL
COL ve
s0.02 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00
ECUa
0.00 0.00 0.02 0.00 0.00 0.02 0.00 0.00 0.00 0.02 0.00 0.00 0.02
N
o GUY
0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.02 0.00 0.00 0.00
d r 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.02
Pe
GUF 0.00 0.00 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.00
PRY 0.02 0.02 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
PER 0.00 0.02 0.02 0.02 0.02 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.00
SUR 0.00 0.00 0.02 0.00 0.00 0.00 0.02 0.02 0.00 0.00 0.00 0.00 0.00
URY 0.02 0.00 0.02 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
VEN 0.00 0.00 0.02 0.00 0.02 0.00 0.02 0.00 0.00 0.00 0.00 0.00 0.00
Padronização da Matriz 𝐖 pela Estabilização
da Variância
-6 1
1 1 7
.
A padronização da matriz de pesos espaciais 𝑊 pela estabilização da1variância foi proposta por Tiefelsdorf,
5 basicamente, em dois passos.
2
Griffith e Boots (1999). O valor padronizado dos pesos espaciais é.obtido,
4
4
1 pela raiz quadrada dos somatórios dos pesos ao
quadrado de sua respectiva linha 𝑖, dando origem a aum
s
renovo peso chamado 𝑤 :
Primeiramente, cada peso original da linha 𝑖 deve ser dividido
∗
i n h 𝑖𝑗
∗
𝑤 =
𝑤𝑖𝑗
s L
𝑖𝑗 2
σ𝑗 𝑤𝑖𝑗
a v e
o N
∗
e
Posto isso, cada peso 𝑤 deve r
d multiplicado pelo fator presente em:
ser
P
𝑖𝑗
𝑛−𝑞
𝑄
em que 𝑛 é o total de observações; 𝑞 é o total de observações sem vizinhos; 𝑄 é dado por σ𝑖 σ𝑗 𝑤𝑖𝑗∗ .
Padronização da Matriz 𝐖 pela Estabilização
da Variância
-6 1
1 1 7
ARG BOL BRA CHL COL ECU GUY GUF PRY
5 1 . PER SUR URY VEN
ARG 0.00 0.24 0.24 0.24 0.00 0.00 0.00 0.00
4 . 2 0.24 0.00 0.00 0.24 0.00
BOL 0.24 0.00 0.24 0.24 0.00 0.00 0.00 140.00 0.24 0.24 0.00 0.00 0.00
BRA 0.20
r
0.20 0.00 0.00 0.20 0.00 0.20e s 0.20 0.20 0.20 0.00 0.00 0.00
h a 0.00 0.00 0.00 0.31 0.00 0.00
0.00 0.27 0.00 0.00Lin
CHL 0.31 0.31 0.00 0.00 0.00 0.00 0.00
COL 0.00 0.27 0.00 0.00 0.00 0.27 0.00 0.00 0.27
ECU 0.00 0.00 0.00 0.00 e
v s
0.38 0.00 0.00 0.00 0.00 0.38 0.00 0.00 0.00
GUY 0.00 0.00 0.31 0.00a 0.00 0.00 0.00 0.00 0.00 0.00 0.31 0.00
GUF
N
0.00 0.38ro 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.38 0.00
0.31
0.00
0.31 e d 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
PRY
PER
0.31
0.00
P 0.31
0.24 0.24 0.24 0.24 0.24 0.00 0.00 0.00 0.00 0.00 0.00
0.00
0.00
SUR 0.00 0.00 0.31 0.00 0.00 0.00 0.31 0.31 0.00 0.00 0.00 0.00 0.00
URY 0.38 0.00 0.38 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
VEN 0.00 0.00 0.31 0.00 0.31 0.00 0.31 0.00 0.00 0.00 0.00 0.00 0.00
-6 1
1 1 7
1 .
4 .25
14 s
a re
Autocorrelação i n h Espacial
s L
a v e
o N
ed r
P
Autocorrelação Espacial
-6 1
1 1 7
1 .
25
Estabelecidas as vizinhanças, e as suas respectivas matrizes W de defasagem espacial, podemos nos
4 .
direcionar a verificar se os dados observados se distribuem de forma aleatória ou se formam um padrão
14
s
espacial, ou seja, se existe a autocorrelação espacial envolvendo o fenômeno estudado.
r e
a pode ser entendida como a medida da correlação
i n h
Griffith (2003) pontua que a autocorrelação espacial
s L
existente entre os valores de uma única variável de interesse de forma geográfica.
v e
▪ As métricas de autocorrelaçãoaespacial
o N global direcionam-se a mensurar o grau de relação espacial
e d r
de um fenômeno em relação a todos os valores observados na base de dados.
▪ Já as métricas deP autocorrelação espacial local, medem as autocorrelações das observações, uma a
uma, em relação a sua vizinhança estabelecida pela matriz de defasagem espacial W.
Autocorrelação Global – a Estatística 𝐼 de
Moran
-6 1
1 1 7
.
A estatística 𝐼 foi proposta primeiramente por Moran (1948) e,1 anos depois, Cliff e Ord (1973,
5
1981) apresentaram um trabalho mais robusto sobre as ideias
4 . 2 originais de Moran, assentando
a seguinte fórmula:
1 4
re s
h a
𝑛
𝐼= × σ
σ σ 𝑤 𝑧𝑧
𝑖 𝑗 𝑖𝑗 𝑖 𝑗
𝑛 2
L i n
𝑆 𝑧
em que 𝑛 representa o número deve
0 𝑖=1 𝑖
s
observações; 𝑧 aponta os valores padronizados da variável
dependente 𝑌 pelo procedimento N a 𝑧𝑠𝑐𝑜𝑟𝑒𝑠; 𝑤𝑖𝑗 representam os pesos espaciais da matriz W de
r
uma dada observação existente
d o na linha 𝑖 e coluna 𝑗; e 𝑆0 é o somatório de todos os pesos
espaciais 𝑤𝑖𝑗 .
P e
1
𝐻0 : − , que indica que os valores 𝑌𝑖 são independentes dos valores das observações
𝑛−1
vizinhas, isto é, que não há autocorrelação espacial para dado nível de significância.
O Diagrama da Estatística I de Moran
-6 1
1 1 7
1 .
25
O Diagrama de Moran é um método de visualização das autocorrelações globais apontadas pela estatística
𝐼 de Moran.
4 .
4 com quatro quadrantes, a saber: Alto-
1
s(BA):
A técnica visual consiste em um gráfico bidimensional de dispersão
re
Alto (AA), Alto-Baixo (AB), Baixo-Baixo (BB) e Baixo-Alto
a
i n h
s L
a v e
o N
e d r
P
Autocorrelação Local – a Estatística Moran
Local
-6 1
1 1 7
Anselin (1995) propôs uma maneira de mensurar as autocorrelações locais
5 1 .chamada Local Indicators of Spatial
. 2
Association (LISA). A técnica LISA direciona-se a identificar padrões locais
4
de associação espacial (Anselin, 1995, p.
93).
1 4
r e s
Conforme discutem Lansley e Cheshire (2016), a técnica h a LISA investiga as relações as relações espaciais entre os
i n
Local, Geary Local, etc. – será apresentado o tipoLmais comumente referenciado: o Moran Local.
dados considerando as vizinhanças estabelecidas. Dentre os tipos de LISA propostos por Anselin (1995) – e.g. Gamma
v e s
𝐼 =𝑧 σ 𝑤 𝑧
𝑖 𝑖 𝑗 𝑖𝑗 𝑗
N a
d r o
P
em que, de forma semelhante e à Estatística 𝐼 de Moran, 𝑧 e 𝑧 representam os valores padronizados da variável
𝑖 𝑗
dependente; o somatório considerado inclui, apenas, cada vizinho 𝑗 pertencente à vizinhança 𝐽 estabelecida pela
𝑖
matriz de ponderação espacial 𝑊; e os pesos espaciais 𝑤𝑖𝑗 sejam, preferencialmente, padronizados em linha visando
facilitar a interpretação, sem olvidar que, por convenção, 𝑤𝑖𝑖 = 0.
Autocorrelação Local - A Estatística G de
Getis e Ord
-6 1
1 1 7
1
Getis e Ord (1992) propuseram uma outra maneira de estudar a associação
5 . espacial das observações de
uma dada base de dados, assentada na concentração espacial. 2
4 4 .
s 1
Segundo Almeida (2012) a estatística 𝐺, para cada observação 𝑖, consegue apontar uma métrica que
determina em qual medida os indivíduos da base de dados
a e estão rodeados por observações com valores
r com valores baixos – os chamados cool spots.
altos – os chamados hot spots; ou rodeados por observações
i n h
s L
𝐺 𝑑 =
𝑖
σ𝑛
𝑗−1 𝑤𝑖𝑗 𝑑 𝑌𝑗
σ𝑛
, com 𝑗 ≠ 𝑖
a v e
𝑗−1 𝑌𝑗
o N
em que 𝑤 representa os pesos
𝑖𝑗
e r binários de uma matriz espacialmente ponderada pelas distâncias e, por
d representa a soma de todos os valores vizinhos 𝑌 dentro da vizinhança
convenção, 𝑤 = 0; o numerador
𝑖𝑖
P 𝑑 de 𝑖, sem incluir 𝑌 ; e o denominador, representa a soma de todos os valores
estabelecida pela distância 𝑖
𝑗
1 .
. 25
Anselin, L. (1995). Local Indicators of Spatial Association. Geographical Analysis, 27(2), 93-115. doi:10.1111/j.1538-4632.1995.tb00338.x
4
14
Anselin, L., & Rey, S. J. (2014). Modern Spatial Econometrics in Practice. Chicago: GeoDa Press.
s
a re
Cliff, A. D., & Ord, J. K. (1973). Classics in Human Geography Revisited. Progress in Human Geography, 19(2), 245-249. doi:10.1177/030913259501900205
i n h
Cliff, A. D., & Ord, J. K. (1981). Spatial Processes Models and Applications. London: Pion.
s L
a v e
Fávero, L. P., Belfiore, P., & Freitas Souza, R. (2022). Data Science, Analytics and Machine Learning with R. Cambridge: Academic Press.
N
Getis, A., & Ord, J. K. (1992). The Analysis of Spatial Association by Use of Distance Statistics. Geographical Analysis, 24(3), 189-206. doi:10.1111/j.1538-
o
r
4632.1992.tb00261.x
d
Pe
Griffith, D. A. (2003). Spatial Autocorrelation and Spatial Filtering: Gaining Understanding Through Theory and Scientific Visualization (Advances in Spatial
Science). London: Springer.
Piatkowska, S. J., Messner, S. F., & Yang, T. -C. (2018). Xenophobic and racially motivated crime in Belgium: exploratory spatial data analysis and spatial
regressions of structural covariates. Deviant Behavior, 39(11), 1398-1418. doi:10.1080/01639625.2018.1479917
Tiefelsdorf, M., Griffith, D. A., & Boots, B. (1999). A Variance-Stabilizing Coding Scheme for Spatial Link Matrices. Environment and Planning A, 31(1), 165-180.
doi:10.1068/a310165