地理加权回归系数是什么

‘壹’ 地理加权回归是怎么一回事(GWR)

1 http://ke..com/view/1189359.html?tp=0_00
2 http://www.cqvip.com/qk/91153A/200803/27235808.html
3 http://www.pinggu.org/bbs/dispbbs.asp?boardid=64&ID=213568
他是空间经济计量学的一个模型
D.P.McMillen和J.F.McDonald(1997)，C.Brunsdon,A.S.Fotheringham;MartinCharlton(1996)，提出地理加权回归模型（简称GWR模型）。
软件：matlab,gauss均可，只是需要相关检验的时候，需要自己编程

‘贰’ arcgis地理加权回归没有系数

直接查看分析后得到的属性表。
如果回归没有系数的话，你可以直接查看分析后得到的属性表，属性表中有各个变量的系数以及其他系数所构成的表。
地理加权回归是若干空间回归技术中的一种，越来越多地用于地理及其他学科。通过使回归方程适合数据集中的每个要素，GWR可为您要尝试了解/预测的变量或过程提供局部模型。

‘叁’ 地理加权回归需要考虑多重共线性吗

需要。1、描述

执行“地理加权回归 (GWR)”，这是一种用于建模空间变化关系的线性回归的局部形式。

2、一图读懂GWR

GWR 为局部回归模型。系数可以变化。

3、使用

GWR 为数据集中的各要素构建了一个独立的方程，用于将各目标要素的带宽范围内的要素的因变量和解释变量进行合并。带宽的形状和范围取决于用户输入的核类型、带宽方法、距离以及相邻要素数等参数，但也存在一条限制：如果相邻要素的数目超过 1000，则仅将最相邻的 1000 个要素合并到各个局部方程中。

GWR 通常被要求用于处理包含数百个要素的数据集，以便获得最佳结果， GWR 不适用于小型数据集。而且，此工具不能用于处理多点数据。

注：GWR 工具会生成各种输出。右键单击结果窗口中的消息条目，然后选择视图，将显示 GWR 工具的执行汇总报告。

此外，GWR 工具也会生成一个输出要素类和一个包含了工具执行汇总报告诊断值的表。会自动将此表以输出要素类名加上 _supp 作为后缀的形式进行命名。输出要素类会自动添加至内容列表中，并会对模型残差应用热/冷渲染方案。在解释 GWR 结果中提供了有关各输出的完整说明。_supp 文件的创建位置始终与输出要素类相同，除非输出要素类被创建在一个要素数据集内。当输出要素类位于要素数据集内时，_supp 表则会创建在该要素数据集所在的地理数据库中。

建议您使用投影数据。这一点在距离成为分析的一部分时尤其重要，因为在您针对核类型选择固定时，会对 GWR 使用投影数据。建议您使用投影坐标系（而非地理坐标系）对数据进行投影。

由 GWR 工具执行的某些计算会利用多个 CPU 以提高性能，并会自动使用多达 8 条线程/CPU 进行处理。

应该始终从普通最小二乘法 (OLS) 回归开始回归分析。首先获得一个正确指定的 OLS 模型，然后使用同样的解释变量运行 GWR（不包括表示不同空间组织的任何“哑元”解释变量）。

因变量和解释变量应该是包含各种值的数值型字段。线性回归方法（如 GWR）不适于预测二进制结果（例如，因变量的所有值不是 1 就是 0）。

如果在 GWR 模型中包含名目数据或分类数据，则需谨慎操作。在类别出现空间聚类的地方，存在局部多重共线性的风险。GWR 输出中包含的条件数指明了局部共线性何时会导致问题（条件数小于零、大于 30 或设置为“空”）。存在局部多重共线性的结果是不稳定的。

请勿使用人工解释变量来表示 GWR 模型中的不同空间组织（例如，向城镇中心外的人口普查区赋予值 1，而向其他区域赋予值 0）。由于 GWR 允许解释变量系数发生变化，这些空间组织解释变量并不必要，并且如果包含了这些变量，则会产生局部多重共线性问题。

要更好地了解解释变量系数当中的区域变化，请检查由 GWR 创建的可选栅格系数表面。将在系数栅格工作空间中创建这些栅格表面。对于面数据，您可以对输出要素类中的每个系数字段使用渐变色彩或由冷色到暖色的渲染以检查整个研究区域的更改。

通过提供预测位置要素类（通常，此要素类与输入要素类相同）、预测解释变量和输出预测要素类，您可以使用 GWR 进行预测。在用来校正回归模型的字段（解释变量字段的输入值）与用来预测的字段（预测解释变量字段的输入值）之间必须是一对一的对应关系。这些变量的顺序必须相同。例如，假设您当前正针对交通事故构建一个有关速度限制、道路条件、车道数量以及汽车数量的函数。通过创建一个具有修正后的速度限制和道路条件的新变量，您可以预测更改速度限制或改善道路状况可能对交通事故产生的影响。现有变量将用于校正回归模型，并用作解释变量的参数。修正的变量将用于预测，并可作为预测解释变量。

如果提供了预测位置要素类，但未指定预测解释变量，则仅使用各位置的已计算系数创建输出预测要素类（不进行任何预测）。

如果回归模型缺少关键解释变量，则会导致回归模型的指定错误。如果回归残差的空间自相关具有统计学上的显着性，或者在一个或多个解释变量的系数当中发生了非期望的空间变化，则表明错误指定了您的模型。您应该尽一切努力（例如，通过 OLS 残差分析和 GWR 系数变化分析）来查找这些丢失的关键变量，以便在模型中包含这些变量。

时刻关注解释变量的不稳定性是否会出现问题。例如，假设您正将特殊植物种类的密度构建为若干变量（包括 ASPECT）的函数。如果发现在整个研究区域中 ASPECT 变量的系数发生了更改，则可能要查看是否有缺少关键解释变量的迹象（例如，可能存在大量竞争植被）。应该尽一切努力将所有关键解释变量包含到回归模型中。

为带宽方法参数选择 AICc（更正后的 Akaike 信息准则）或 CV（交叉验证）时，GWR 将查找最佳距离（对于固定核）或最佳相邻要素的数目（对于自适应核）。但是，局部多重共线性问题将会阻止 AICc 和 CV 带宽方法解析最佳距离/相邻要素的数目。如果出现表示模型设计存在严重问题的错误，则请尝试指定特殊距离或相邻要素的数目， 然后检查输出要素类中的条件数，以查看哪些要素与局部共线性问题相关联。

严重模型设计错误或用于表明局部方程未包含足够多相邻要素的错误，通常表示回归存在全局或局部多重共线性问题。要确定出现问题的位置，请使用 OLS 运行模型，然后检查每个解释变量的 VIF 值。如果某些 VIF 值较大（例如，大于 7.5），则全局多重共线性会阻止 GWR 解决问题。但是，更有可能是局部多重共线性所导致的问题。请尝试为各解释变量创建一个专题地图。如果在地图上出现相同值的空间聚类，考虑将这些变量从模型中移除，或将这些变量与其他解释变量合并以便加大值的变化性。例如，如果要对房屋价格进行建模且具有卧室和浴室两个变量，则可能需要将其合并以加大值的变化性，或将其表示为浴室/卧室的建筑面积。在构造 GWR 模型时，要避免使用空间组织哑元变量、空间聚类名目或数值变量或者几乎不可能具有值的变量。

GWR 是一种线性模型，其前提条件与 OLS 相同。要确保正确指定您的 GWR 模型，请参阅回归分析基础知识中的回归模型失效方式部分。

‘肆’ 要进行地理加权回归分析的数据应该满足什么条件

本帖最后由区域经济爱好者于2013-11-2313:00编辑第一，GWR缺少统一的统计推断框架。不同区位回归系数之间的依赖性也没有在模型中说明。因此，GWR中标准误是近似的。这是由于不同区位参数估计中，重复使用了数据；还因为应用这些数据线估计了带宽，然后估计回归系数。我对这段话只是明白一部分，请大家进一步解释一下。谢谢。第二，GWR计算每个样本点的回归系数。如果样本数很大，那将导致非常复杂的结果。如何利用并解析这些结果，归纳出一定的规律呢？另一方面，如果样本很小，又怎么进行GWR估计呢？所以样本大了，不容易找规律；样本小了，又没法进行回归分析。这是一个矛盾体。怎么？

‘伍’ 求助用matlab怎么做地理加权回归

地理加权回归(Geographically Weighted Regression，简称GWR)，由英国Newcastle大学地理统计学家A.S Fortheringham及其同事基于空间变系数回归模型并利用局部多项式光滑的思想提出的模型。模型公式如下：
其中(yi;xi1,xi2,…,xip)为在地理位置(ui,vi)处的因变量y和自变量x1,x2,…,xp的观测值(i=1,2,…,n).βj(ui,vi)(j=0,1,…,p)为观测点(ui,vi)处的未知参数,它是(ui,vi)的未知函,εi(i=1,2,…,n)为独立同分布的随机误差,通常假定其服从N(0,σ2).

‘陆’ 关于地理加权回归模型的问题，有没有懂统计学的大神解释一下。

s://blog.csdn.net/allenlu2008/article/details/72870882
地理加权回归分析完成之后，与OLS不同的是会默认生成

‘柒’ 回归分析的公式中，Xi、Yi指的是什么怎么计算

Xi指的是第i个数据中的X值，Yi指的是第i个数据中的Y值。

Xi中的i=1，2，3，4……i只是一个代号，它可以等于1，2，3等等的值，即X1，X2，X3，i只是X下标的一个总称。

例如：有四组数据（X，Y)：(1，2)、(3，4)、(5，6)、(7，8)

当i=1时，即Xi=X1，X1=1，X1就是第一组数据中的X值为1。

同理，X2=3，X3=5，X4=7。

(7)地理加权回归系数是什么扩展阅读

回归分析估计了两个或多个变量之间的关系。

比如，在当前的经济条件下，要估计一家公司的销售额增长情况。现在，有公司最新的数据，这些数据显示出销售额增长大约是经济增长的2.5倍。那么使用回归分析，就可以根据当前和过去的信息来预测未来公司的销售情况。

使用回归分析的好处良多。具体如下：

1、它表明自变量和因变量之间的显着关系；

2、它表明多个自变量对一个因变量的影响强度。

回归分析也允许去比较那些衡量不同尺度的变量之间的相互影响，如价格变动与促销活动数量之间联系。这些有利于帮助市场研究人员，数据分析人员以及数据科学家排除并估计出一组最佳的变量，用来构建预测模型。

在所有的回归方法中，OLS最为着名，也是所有空间回归分析的正确起点。它可为尝试了解或预测（早逝/降雨）的变量或过程提供一个全局模型，而且，它可创建一个回归方程来表示该过程。

地理加权回归 (GWR) 是若干空间回归方法中的一种，被越来越多地用于地理及其他学科。通过对数据集中的各要素拟合回归方程，GWR为要尝试了解/预测的变量或过程提供了一个局部模型。若使用得当，这些方法可提供强大且可靠的统计数据，以对线性关系进行检查和估计。

‘捌’ 地理加权回归

这些都是统计分布的特征参数。min就是最小值，max是最大值，mean是平均值,median是中位数，1st quantile是第一分位数，就是排名前25%对应的样本值，3nd quantile是第三分位数，也就是前75%对应的样本值。