Você está na página 1de 77

Anlise de Regresso com

Dados Espaciais:
Uma Breve Introduo

Anlise Espacial de Dados Geogrficos


SER-301 - 2011
Material Elaborado por
Virginia Ragoni, INPE
Flvia Feitosa, INPE

Revisado em 2010: Antnio Miguel V. Monteiro


Revisado em 2011: Flvia Feitosa
Anlise de Regresso

Anlise de regresso uma ferramenta estatstica


que utiliza a relao entre duas ou mais variveis
tal que uma varivel possa ser explicada (varivel
resposta/ dependente) pela outra ou outras
(variveis indicadoras/ preditoras/ explicativas/
independentes).

Y = aX + b

Exemplos?

NETER J. et al. Applied Linear Statistical Models. Boston, MA: McGraw-Hill, 1996.
Objetivos da Anlise de Regresso

1.Determinar como duas ou mais variveis se


relacionam.
2.Estimara funo que determina a relao entre
duas variveis.
3.Usar a equao para projetar/estimar valores
futuros da varivel dependente.

Lembrete importante: A existncia de uma relao estatstica


entre a varivel resposta Y e a varivel explicativa X no
implica na existncia de uma relao causal entre elas.
Modelos de Regresso

Um modelo de regresso contendo somente


uma varivel preditora denominado
modelo de regresso simples.

Um modelo com mais de uma varivel


preditora denominado modelo de
regresso mltiplo.
Regresso Linear Simples

Yi 0 1 X i i
onde:
Yi o valor da varivel resposta na i-sima observao;
0 e 1 so parmetros;
Xi uma constante conhecida; o valor da varivel
preditora na i-sima observao;
i um termo de erro aleatrio com mdia zero e varincia
constante 2 (E(i)=0 e 2 (i)= 2 )
i e j so no correlacionados (independentes) para i j
(2 (i,j)= 0 )
Modelo de Regresso Linear
Intercepto Inclinao
Populacional Populacional Varivel Preditora

Yi=0+1Xi +i
Varivel Erro
Resposta Aleatrio

Yi
Y i Y = E(Y) = 0 + 1 X

1 Coeficiente
angular i=b0+b1Xi Modelo estimado
0 i =Yi-i Resduo

X
Significado de 0 e 1
Os parmetros 0 e 1 so denominados
coeficientes de regresso:
1. 1 a inclinao da reta de regresso. Ela indica a
mudana na mdia de Y quando X acrescido de
uma unidade.
2. 0 o intercepto em Y da equao de regresso ( o
valor de Y quando X = 0.)
0 s tem significado se o modelo incluir X = 0.
E[Yi ] X i
Y 0 1

0
X
yi = 0 + 1xi
y

x=1

1 y
x

x x+1
0 (intercepto); quando a regio experimental inclui X=0, 0 o valor da
mdia da distribuio de Y em X=0, cc, no tem significado prtico
como um termo separado (isolado) no modelo; 1 (inclinao) expressa a
taxa de mudana em Y, isto , a mudana em Y quando ocorre a
mudana de uma unidade em X. Ele indica a mudana na mdia da
distribuio de probabilidade de Y por unidade de acrscimo em X.
Fonte: Slide de Paulo Jos Ogliari, Informtica, UFSC. Em http://www.inf.ufsc.br/~ogliari/cursoderegressao.html
Premissas
1) Distribuio Normal Para um valor fixo da
varivel aleatria X, Y uma varivel aleatria
com distribuio Normal (com mdia e varincias
finitas);

Yi ~ N(E(y/x); 2)

2) Linearidade
Todos os valores mdios de Y (E(y/x)=Y/x)
permanecem sobre uma reta, para um particular
valor de X.

E(y/x)=y/x = 0 + 1x
Premissas

3) Independncia
Os valores de Yi e Yj so estatisticamente
independentes.

4) Homocedasticidade
A varincia de Y igual, qualquer que
seja X.
Modelos de Regresso

A figura mostra a distribuio de Y para vrios valores de X.


Mostra onde cai a observao Y1. Mostra que o erro a
diferena entre Y1 e E(Y1). Observe que as distribuies de
probabilidade apresentam a mesma variabilidade.
Fonte: Slide de Paulo Jos Ogliari, Informtica, UFSC. Em http://www.inf.ufsc.br/~ogliari/cursoderegressao.html
Resumo da situao: para qualquer valor Xi, a mdia de Yi i
= 0 + 1Xi. As mdias esto sobre a linha reta para todos os
valores de X. Devido aos erros aleatrios, os valores de Yi se
distribuem ao redor da reta.

Fonte: Slide de Paulo Jos Ogliari, Informtica, UFSC. Em http://www.inf.ufsc.br/~ogliari/cursoderegressao.html


Regresso Linear Mltipla

Yi=0+1Xi1 + 2Xi2 ++ pXip + i

Yi o valor da varivel resposta na i-sima observao


0, , p so parmetros
Xi1 ,,Xip so os valores das variveis preditoras na i-sima
observao
i um termo de erro aleatrio com distribuio normal,
mdia zero e varincia constante 2 (E(i )=0 e 2 (i )=
2 )
i e j so no correlacionados (independentes) para i j
Superfcie de Resposta: Funo de
Regresso na Regresso Linear Mltipla
Plano de resposta

Yi

i
E(Yi) = 20,00


0 (1,33;1,67)

Fonte: Slide de Paulo Jos Ogliari, Informtica, UFSC. Em http://www.inf.ufsc.br/~ogliari/cursoderegressao.html


Significado dos Coeficientes de
regresso: 0, 1, 2,.., p

O parmetro 0 o intercepto do plano de


regresso. Se a abrangncia do modelo inclui
X1=0 e X2=0 ento 0=10 representa a resposta
mdia E(Y) neste ponto. Em outras situaes, 0
no tem qualquer outro significado como um
termo separado no modelo de regresso.

Fonte: Slide de Paulo Jos Ogliari, Informtica, UFSC. Em http://www.inf.ufsc.br/~ogliari/cursoderegressao.html


Significado dos Coeficientes de
regresso: 0, 1, 2,.., p

O parmetro 1 indica a mudana na resposta


mdia E(Y) por unidade de acrscimo em X1
quando X2 mantido constante. Da mesma
forma 2 indica a mudana na resposta mdia
por unidade de aumento em X2 quando X1
mantido constante.

Fonte: Slide de Paulo Jos Ogliari, Informtica, UFSC. Em http://www.inf.ufsc.br/~ogliari/cursoderegressao.html


Significado dos Coeficientes de
regresso: 0, 1, 2,.., p

Quando o efeito de X1 sobre a resposta mdia


no depende de X2 e vice-versa, e assim, para
cada X de [1 a p], dizemos que as variveis
preditoras tem efeito aditivo ou no interagem.
Se temos somente X1 e X2 por exemplo,
dizemos que temos um modelo de primeira
ordem sem interao.

Fonte: Adaptado de Slide de Paulo Jos Ogliari, Informtica, UFSC. Em http://www.inf.ufsc.br/~ogliari/cursoderegressao.html


Outros modelos de regresso

Y = b0 + b1 X + b2 X + e 2

Modelo quadrtico ou de 2 grau


No uma linha reta, mas
permanece linear nos
parmetros mesmos
mtodos so aplicveis
Pode ser linearizado:
X2 = (X1)2

Fonte: Adaptado de Slide de Paulo Jos Ogliari, Informtica, UFSC. Em http://www.inf.ufsc.br/~ogliari/cursoderegressao.html


Outros modelos de regresso
1
Y 1 2e 3X
Modelo de crescimento
logstico (X=tempo)

Modelo no linear nos parmetros


Necessita de mtodos
para modelos no-
lineares

Fonte: Adaptado de Slide de Paulo Jos Ogliari, Informtica, UFSC. Em http://www.inf.ufsc.br/~ogliari/cursoderegressao.html


Superfcie de Resposta

Fonte: Adaptado de Slide de Paulo Jos Ogliari, Informtica, UFSC. Em http://www.inf.ufsc.br/~ogliari/cursoderegressao.html


Estimao dos parmetros

Em geral no se conhece os valores de 0 e 1 .

Eles podem ser estimados atravs de dados obtidos


por amostras.

O mtodo utilizado na estimao dos parmetros o


mtodo dos mnimos quadrados, o qual considera
os desvios dos Yi de seu valor esperado (E(Yi )):

i = Yi (0 + 1 Xi)
Estimao dos parmetros

Em particular, o mtodo dos mnimos


quadrados requer que a soma dos n
desvios quadrados, denotado por Q, seja
mnima:
n
Q [Yi 0 1 X i ]2
i 1
Estimao dos parmetros
Para minimizar Q (soma dos desvios quadrados):
(1) Q deve ser derivado em relao a 0 e 1:
n
Q
0 2 (Yi 0 1 X i )
i 1
n
Q
1 2 X i (Yi 0 1 X i )
i 1

(2) Comderivadas parciais igualadas zero, obtm-se os


valores estimados de 0 e 1: n

( X X )(Y Y )
i i

0 Y 1 X 1 i 1
n

(
i 1
Xi X ) 2
Inferncia
Testando se a inclinao 1 zero.
1. Construir intervalos de confiana para : 1
0,14
tn-2
0,12

2. Teste de hiptese para


0,1
:
0,08

H 0 : 1 0 0,06

0,04 1a
Ha : 1 0 0,02
a/2 a/2
0
0 - 5 -t1-a/2;n-2 10
0 t1-a/2;n-2 15 +

Se 1 = 0 , significa que no h correlao entre X e Y.

Rejeitar H 0 , significa que o modelo que inclui X melhor


do que o modelo que no inclui X mesmo que a linha reta
no seja a relao mais apropriada.
Inferncia
1. Construir intervalos de confiana para : 1
n
Mdia: E(b 1) = b1
( X X )(Y Y )
i i

1 i 1
Varincia
s (b1 ) =
2 QMR

( Xi -X )
estimada: 2
n

(X X )
i 1
i
2

SQR
QMR =
n- p
Distribuio da estatstica studentizada ( desconhecido)
b1 - b1
~ t(n - 2).
s(b1 )

Intervalo de confiana

b1 t(1- a / 2;n - 2)s(b1 )


Inferncia
2. Teste estatstico formal: feito de maneira padro
usando a distribuio de Student
0,14
tn-2
0,12

H 0 : 1 0 b1 - b1
0,1

t* =
0,08

Ha : 1 0 s(b1 )
0,06

0,04 1a
0,02
a/2 a/2
0
0 - 5 -t1-a/2;n-2 10
0 t1-a/2;n-2 15 +

Se | t * | t(1- a / 2;n - 2), no rejeita H 0


Se | t * |> t(1- a / 2;n - 2), rejeita H 0
Inferncia
De forma semelhante testa-se 0 zero

H0 : 0 0
H1 : 0 0

Se a hiptese nula H 0 = 0 no for rejeitada, pode-


se excluir a constante do modelo, j que a reta
inclui a origem.
Anlise de Varincia da Regresso
Inferncia: Anlise de Varincia

Yi Y (Yi Y ) (Yi Y )
Desvio
Total Desvio Explicado Desvio No-explicado
pelo Modelo pelo Modelo
Elevando-se ao quadrado os dois lados da igualdade e
fazendo-se a soma para todas as observaes de uma
determinada amostra tem-se que:

n n n

(Y
i 1
i Y )2
(Y
i 1
i Y )2
(Yi
i 1

Y ) 2

Soma de quadrados total Soma de quadrados Soma de quadrados devido


(SQT) devido ao modelo (SQM) aos resduos (SQR)
Particionando a soma dos quadrados
n n n

(Yi
i 1
Y ) (Yi
i 1
Y ) 2
(Yi Y
i 1
) 2

Se SQT=0, ento todas Se SQR = 0, ento


as observaes Y so as observaes
iguais. caem na linha de
Quanto maior for SQT, Se a linha de regresso regresso.
maior ser a variao for horizontal, de modo Quanto maior SQR,
^
que Y i Y 0
entre os Ys. maior ser a variao
SQT uma medida da ento das observaes Y
variao dos Ys quando SQM = 0. ao redor da linha de
no se leva em regresso.
considerao a varivel
independente X.
Particionando a Soma de Quadrados

SQT = SQM + SQR.

Um modo de se saber quo til ser a linha de regresso


para a predio verificar quanto da SQT est na SQM e
quanto est na SQR.
Idealmente, gostaramos que SQM fosse muito maior que
SQR.

SQM
Gostaramos, portanto, que fosse prximo de 1.
SQT
Coeficiente de determinao
Uma medida do efeito de X em reduzir a variabilidade do
Y :
SQM SQT - SQR SQR Note que: 0 R2 1
R2 1
SQT SQT SQT

R2 denominado coeficiente de determinao. Em um


modelo de regresso simples, o coeficiente de
determinao o quadrado do coeficiente de
correlao (r) entre Y e X. Note que em um modelo de
regresso simples

r R 1 r 1
2
Coeficiente de determinao

r R2 1 r 1
Temos dois casos extremos:

1. R2 = 1 todas as observaes caem na linha


de regresso ajustada. A varivel preditora X
explica toda a variao nas observaes.

2. R2 = 0 isto ocorre quando b1 = 0. No existe


relao linear em Y e X. A varivel X no ajuda
a explicar a variao dos Yi .
Tabela ANOVA - F
Graus de Soma dos Quadrado Razo da
Liberdade quadrados mdio varincia
(df) (SQ) QM=SQ/df

Regresso(X) 1 (p-1) SQT-SQR= 6394.02 21.33(p<0.001)


SQM= 6394.02 (QMModelo)

Residuo 28 (n-p) SQR=8393.44 299.77


(QMResduo)

Total 29 (n-1) SQT =


14787.46

SQT - SQR 6394.02 (SQT - SQR) / k R2 / k


R =
2
= = 0.43 F = F
SQT 14787.46 SQR / (n - k -1) (1 R 2
/( n k 1)
Inferncia Teste F (Adequao Global)

H 0 : 1 2 ...k 0

Ha : existe pelo menos um dos j 0

QMModelo
F* = onde Fc ~ F p-1, n-p
QMErro

Se F*> F(a; p-1,n-p), rejeitamos a hiptese nula, caso contrrio,


aceitamos a hiptese.
Inferncia Teste F Parcial
Compara um modelo reduzido com um modelo completo

H 0 : * 0 Modelo completo Y =0+1X1+...pXp+*X*


Modelo reduzido Y =0+1X1+...pXp
Ha : * 0
Ha: X* melhora significativamente a predio
de Y, dado que X1, X2,...Xp j esto no modelo

F= * SQR(R)-SQR(C)
glr -glc SQR(C)
glc ~ F(1- a;glr -glc,glc )
F * F(1- a;glr - glc , glc ) aceita H 0
F * > F(1- a;glr - glc , glc ) rejeita H 0

Compara as somas de quadrados dos erros do modelo completo (SQR(C)) e reduzido (SQR(R)).
O modelo reduzido adequado (no rejeita H0) se SQR(C) no for muito menor que (SQR(R))
Etapas da Anlise de Regresso

1.Seleo e preparao das variveis


Transformaes podem ser necessrias para linearizar relaes
Analisar multicolinearidade aumenta DP dos coeficientes
estimados )

2.Escolha e ajuste do modelo de regresso


3.Diagnstico para verificar se o modelo ajustado
adequado
Anlise dos Resduos
Se modelo for adequado, resduos devem refletir as
propriedades impostas pelo termo de erro do modelo.

Linearidade
Resduo do modelo

X
No Linearidade
Anlise dos Resduos
Normalidade dos resduos: Suposio essencial para
que os resultados do ajuste do modelo sejam confiveis

Outros diagnsticos: Shapiro-Wilk, Anderson-Darling,


Kolmogorov-Smirnov
Anlise dos Resduos
Homocedasticidade (varincia constante)
Grfico resduos vs. valores ajustados

Varincia No Constante
Resduo

Outros diagnsticos: Teste de Breusch-Pagan, Goldfeld-Quandt


Anlise dos Resduos

Presena de outliers

Grfico resduos padronizados vs. valores ajustados

0,8
Resduos Padronizados

0,6

0,4

0,2

0
150 155 160 165 170 175 180 185
-0,2

-0,4
X

Pontos influentes: DFFITS, DFBETA, Distncia de Cook


Anlise dos Resduos

Independncia
Resduo

X
Erros Correlacionados

Outros diagnsticos: Teste de Durbin-Watson


Autocorrelao espacial: Mapa dos resduos, ndice de Moran
Anlise dos Resduos
Modelo Adequado

0
Resduo

X
Anlise dos Resduos
DADOS ESPACIAIS

Caso a hiptese de independncia das observaes


seja Falsa Dependncia Espacial

Efeitos Espaciais
Se existir forte tendncia ou correlao espacial,
os resultados sero influenciados, apresentando
associao estatstica onde no existe (e vice-
versa).
Anlise dos Resduos

Como verificar?
Medir a autocorrelao espacial dos
resduos da regresso (ex. ndice de
Moran dos resduos)
Exemplo
So Jos dos Campos
Crescimento Populacional 91-00 X Densidade Populacional 91

1. Mapear os resduos da
regresso ndcios de
correlao
2. ndice de Moran sobre
mapa de resduos I=0,45
3. Testes de pseudo-
significncia indicam
autocorrelao espacial
Autocorrelao Espacial Constatada!!!

As observaes no so independentes
espacialmente.

Portanto... temos uma violao das nossas


premissas (violao do MMQ).

Dependendo da natureza da dependncia,


parmetros estimados por mnimos quadrados
ser ineficiente ou inconsistente.

E agora?
Regresso Espacial
Incorpora a estrutura de dependncia
espacial no modelo

PREMISSA:
Assumimos que conhecemos a estrutura de
dependncia espacial (ela no estimada)
Premissa forte? Sim!
Porm no to forte quanto assumir que todas as
observaes so independentes espacialmente
Matrizes de ponderao tipicamente consideradas:
contiguidade (queen, rook...) ou distncia (k vizinhos
mais prximos...)
Regresso Espacial

Podem ser globais ou locais

Globais: inclui no modelo de regresso um


parmetro/elemento para capturar a estrutura
de autocorrelao espacial

Locais: parmetros variam continuamente no


espao
Global vs. Local

Global Local
Estatsticas dizem respeito Disagregaes locais das
regio como um todo (1 valor) estatsticas globais (Muitos
valores)
Estatsticas globais e no Estatsticas locais e mapeveis
mapeveis
nfase nas similaridades da nfase nas diferenas ao longo
regio do espao
Procura regularidades ou leis Procura por excees ou hot-
spots locais
Ex.: Regresso Clssica, Spatial Ex.: GWR, Regimes Espaciais
Lag, Spatial Error
Adaptado de: Fotheringham, A.S., Brunsdon, C., and Charlton, M.E., 2002, Geographically Weighted
Regression: The Analysis of Spatially Varying Relationships, Chichester: Wiley.
Modelos com Efeitos Espaciais Globais

Premissa:
possvel capturar a estrutura de correlao espacial
num nico parmetro (adicionado ao modelo de
regresso).

Alternativas:
Spatial Lag Models (SAR): atribuem a autocorrelao
espacial varivel resposta Y. (Spatial Autoregressive
Modeling)
Spatial Error Models (CAR): atribuem a autocorrelao
ao erro. (Conditional Autoregressive Modeling)
Spatial Lag Model (LAG)

Hiptese
a varivel Yi afetada pelos valores da varivel
resposta nas reas vizinhas a i:

Y = WY + X +

= coeficiente espacial autoregressivo - medida de


correlao espacial
= 0, se autocorrelao nula (hiptese nula)
W = matriz de proximidade espacial
WY expressa a dependncia espacial em Y

Exemplo: Valor dos imveis


Spatial Error Model (CAR)

Hiptese:
As observaes so interdependentes graas a variveis
no mensuradas, e que so espacialmente
correlacionadas
Ou seja: efeitos espaciais so um rudo
Por que ele ocorre? Porque no conseguimos modelar
todas as caractersticas de uma unidade geogrfica que
podem influenciar as regies vizinhas.
Assume que, se pudssemos adicionar as variveis certas
para remover o erro do modelo, o espao no importaria
mais.
Spatial Error Model (CAR)

Modelo:

Y = X +
= W +

W = erro com efeitos espaciais


= medida de correlao espacial
= componente do erro com varincia constante e no
correlacionada.
Spatial Lag Model X Spatial Error Model

Diagnstico:
Testes Multiplicadores de Langrange
(Langrange Multiplier Tests, Anselin et al. 1996)
Executa regresso dos resduos em relao s variveis
originais e aos resduos das reas vizinhas
LM-Lag: testes para dependncia em relao s variveis
originais nas reas vizinhas lag dependence /missing error
LM-Error: testes para dependncia em relao aos resduos
nas reas vizinhas - error dependence / missing lag

Auxilia na escolha de um modelo ou outro !


Spatial Lag Model X Spatial Error Model

Motivaes diferentes, porm prximos


em termos formais.

Premissa:
processo espacial analisado
estacionrio e pode ser capturado em
um nico parmetro.
Spatial Lag Model X Spatial Error Model

Porm isto nem sempre verdade!

Verificar se pades diversos de associao


espacial esto presentes.

Uma Soluo Exploratria:


Indicadores Locais de Autocorrelao Espacial
Indicadores Locais de Variabilidade Espacial

distribuio dos valores


de correlao local para
o ndice de excluso

% Excluso

No significantes
p = 0.05 [95% (1,96)]
p = 0.01 [99% (2,54)]
p = 0.001 [99,9% (3,2)]
Modelos com Efeitos Espaciais Locais

Modelos de Regresso com Efeitos Espaciais Discretos


Variaes espaciais modeladas de maneira discreta.
Regimes Espaciais

Modelos de Regresso com Efeitos Espaciais Contnuos


Variaes espaciais modeladas de forma contnua, com
parmetros variando no espao.
Geographically Weighted Regression GWR.
[Regresso Geograficamente Ponderada]
Quantitative Geography; A. S. Fotheringham, C. Brunsdon, M. Charlton, 2000 (print 2004)
Regimes Espaciais
A idia regionalizar a rea de estudo obtendo sub-
regies com seu padro prprio.
Realizar regresses separadas para cada sub-regio.
Utilizam-se variveis preditoras para classificar os
subconjuntos

Y1 X11 1 para Ind =1

Y2 X 2 2 2 para Ind=2

Y3 X 3 3 3 para Ind=3

Esses valores so estimados conjuntamente em um


modelo de regresso usando as variveis preditoras
Regimes Espaciais

Regionalizaes da
rea de estudo

Diferentes tipos de
variabilidade espacial

Mtricas: Diagrama de
espalhamento e ndices
locais e globais
regionalizao tipo k-
medias espacial

Ex: Regimes espaciais


para ndice de excluso
Regimes Espaciais x Regies Administrativas
Impacto de Regimes Espaciais
Anlise de Regresso
Idosos = f ( Domiclios Sem Esgoto)

Regresso Linear
R2 = 0,35

Regresso Espacial
Regies Adm (R2 = 0,72)
Regimes Espaciais (R2 = 0,83)

Para dados socioeconmicos:


modelo de regimes espaciais tende a apresentar resultados
melhores que os de regresso simples ou de regresso espacial
com efeitos globais.
Diagnstico de modelos de efeitos espaciais

1. Anlise grfica dos resduos


2. Mapear os resduos concentrao de resduos
negativos ou positivos em parte do mapa indica
presena de autocorrelao espacial
3. ndice de Moran dos resduos
4. Indicadores de qualidade de ajuste dos modelos
baseados no coeficiente de determinao (R2) sero
incorretos.
5. Utilizao do AIC critrio de informao de Akaike,
a avaliao do ajuste penalizada por funo do # de
parmentros
Comparao das regresses para SP

Longevidade X renda
Regresso Spatial Lag Regimes
simples espaciais (3)

R2 ajustado 0.280 0.586 0.80

Log verossimilhana -187.92 -150.02 -124.04


(LIK)
AIC 379.84 306.51 260.09

Indice Moran dos 0.620 0.020


resduos
GWR Geographically Weighted Regression

Ajusta um modelo de regresso a cada ponto


observado, ponderando todas as demais
observaes como funo da distncia a este
ponto.

Y(s) = (s)X +

Y(s): varivel que representa o processo no ponto s.


(s): parmetros estimados no ponto s.

Quantitative Geography; A. S. Fotheringham, C. Brunsdon, M. Charlton, 2000 (print 2004)


GWR Geographically Weighted Regression

y = b0 + b1x1 + e regresso simples com um preditor

b0 , b1 o mesmo para toda rea

Se existe alguma variao geogrfica na relao


essa variao fica includa como erro.
GWR Geographically Weighted Regression

y(u,v) = b0(u,v) + b1(u,v) x1 + e(u,v) GWR

b0(u,v), b1(u,v) para cada ponto do espao h um b0 e b1 diferentes

Existe uma funo (kernel) sobre cada ponto do espao


que determina todos os pontos da regresso local que
poderada pela distncia. Pontos mais prximos do ponto
central tem maior peso.

Assim como no kernel a escolha da largura da banda


importante (pode ser fixa ou adaptvel densidade dos
dados)
GWR Geographically Weighted Regression
FUNO DE PONDERAO

LARGURA DE BANDA

Adaptado de: Fotheringham, A.S., Brunsdon, C., and Charlton, M.E., 2002, Geographically Weighted
Regression: The Analysis of Spatially Varying Relationships, Chichester: Wiley.
Ajuste do Modelo GWR
Modelos locais vs. Modelos Globais

Mesmas tcnicas de anlise do ajuste do modelo, porm


comparao problemtica

GWR apresentar sempre melhores ajustes pois


envolve o ajuste de muito mais parmetros

Sugesto: medida AIC, que leva em considerao a


complexidade do modelo.
GWR Geographically Weighted Regression
Os parmetros podem ser apresentados visualmente
para identificar como se comportam espacialmente
os relacionamentos entre as variveis.
Ex: Crescimento Pop. (resposta) X Densidade Pop. (preditora)
GWR Geographically Weighted Regression
Ex: Crescimento Pop. (resposta) X Densidade Pop. (preditora)
Mapa de resduos (I = 0,04) :
GWR Geographically Weighted Regression

Outros modelos GWR

Regresso Poisson (GWPR)


Regresso Logstica (GWLR)
Softwares para o Curso

Com
R, aRT + TerraView

possvel testar tudo que vimos nestes


slides!
Um tutorial est disponvel na Wiki

R-Spatial Project:
http://cran.r-project.org/web/views/Spatial.html
Outros Tutoriais
Spatial Regression Analysis: A Workbook (Luc Anselin):
http://geodacenter.asu.edu/system/files/rex1.pdf

Fitting and Interpreting Spatial Regression Models: An


Applied Survey (Roger Bivand):
http://www.nek.lu.se/ryde/NordicEcont09/Papers/bivand.pdf

Spatial Econometrics functions in R: Classes and


Methods: http://www.springerlink.com/content/xkmdbdk9jtfwbg9v/

Introduction to Geographically Weighted Regression


(GWR) and to Grid Enabled GWR (Daniel Grose,
Chris Brunsdon, Richard Harris): http://www.esrc.ac.uk/my-
esrc/grants/RES-149-25-1041/outputs/Read/d68adfdb-50d5-4104-
882e-a7028549ee37
Softwares Especficos
So Sw Livres disponveis na WEB
GeoDa
ndice de Moran, LISA maps, Regresso Clssica e Espacial (Spatial Lag
& Spatial Error)
SPRING e Terraview
ndice de Moran, LISA map
CrimeStat
ndices de Autocorrelao, Taxas e Regresses
SAM (Spatial Analysis in Macroecology, www.ecoevol.ufg.br/sam)
ndices de Autocorrelao, Taxas e Regresses (inclui GWR)
Rangel, T.; Diniz-Filho, J; Bini, L. (2010) SAM: a comprehensive
application for Spatial Analysis in Macroecology. Ecography, 33:46-50

No Livre: GWR 3.0


Regresso Clssica e Espacial (GWR)
Fotheringham, A.S., Brunsdon, C., and Charlton, M.E., 2002, Geographically Weighted
Regression: The Analysis of Spatially Varying Relationships, Chichester: Wiley.

Você também pode gostar