Исследовательская регрессия (Exploratory Regression) (Пространственная статистика)

Уровень лицензии:BasicStandardAdvanced

Резюме

Инструмент Исследовательская регрессия (Exploratory Regression) оценивает все возможные комбинации входных потенциальных независимых переменных, выполняя поиск моделей OLS, которые наилучшим образом описывают зависимую переменную в контексте критериев, заданных пользователем.

Доступ к результатам этого инструмента (в том числе дополнительному PDF-файлу отчета) можно получить в окне Результаты (Results). Если отключить фоновую обработку, результаты также будут показаны в диалоговом окне Ход процесса (Progress).

Более подробно о работе инструмента Исследовательская регрессия (Exploratory Regression)

Рисунок

График Исследовательская регрессия (Exploratory Regression)
С использованием набора потенциальных независимых переменных находит правильные модели регрессии OLS.

Использование

Синтаксис

ExploratoryRegression_stats (Input_Features, Dependent_Variable, Candidate_Explanatory_Variables, {Weights_Matrix_File}, {Output_Report_File}, {Output_Results_Table}, {Maximum_Number_of_Explanatory_Variables}, {Minimum_Number_of_Explanatory_Variables}, {Minimum_Acceptable_Adj_R_Squared}, {Maximum_Coefficient_p_value_Cutoff}, {Maximum_VIF_Value_Cutoff}, {Minimum_Acceptable_Jarque_Bera_p_value}, {Minimum_Acceptable_Spatial_Autocorrelation_p_value})
ПараметрОбъяснениеТип данных
Input_Features

Класс или слой объектов, содержащий зависимую переменную и потенциальные независимые переменные для анализа.

Feature Layer
Dependent_Variable

Числовое поле, содержащее наблюдаемые значения, которые нужно смоделировать с помощью OLS.

Field
Candidate_Explanatory_Variables
[Candidate_Explanatory_Variables,...]

Перечень полей, используемых в качестве независимых переменных в модели OLS.

Field
Weights_Matrix_File
(дополнительно)

Файл, содержащий пространственные веса, которые определяют пространственные отношения между входными объектами. Этот файл используется для оценки пространственной автокорреляции среди невязок регрессии. Его можно создать с помощью инструмента Построить файл матрицы пространственных весов (Generate Spatial Weights Matrix File). Если файл матрицы пространственных весов не указан, пространственная автокорреляция невязок оцениваются на основании 8 ближайших соседей каждого объекта.

Примечание. Файл пространственной матрицы весов используется только для анализа пространственной структуры в невязках модели. Он не применяется для построения или калибровки моделей OLS.

File
Output_Report_File
(дополнительно)

Файл отчета содержит результаты, в том числе сведения о всех моделях, которые соответствуют введенным критериям. Этот выходной файл также содержит данные диагностики для исправления распространенных проблем регрессии, если вам не удастся найти подходящие модели.

File
Output_Results_Table
(дополнительно)

Дополнительная выходная таблица, содержит независимые переменные и данные диагностики для всех моделей с указанными p-значениями коэффициентов и значениями ФУД (VIF).

Table
Maximum_Number_of_Explanatory_Variables
(дополнительно)

Оцениваются все модели с независимыми переменными, не превышающими введенные здесь значения. Если, например, параметр Минимальное число независимых переменных (Minimum Number of Explanatory Variables) равен 2, а параметр Максимальное число независимых переменных (Maximum Number of Explanatory Variables) равен 3, инструмент Исследовательская регрессия (Exploratory Regression) будет использовать все модели с каждой комбинацией независимых переменных и все модели с каждой комбинацией трех независимых переменных.

Long
Minimum_Number_of_Explanatory_Variables
(дополнительно)

Это значение представляет минимальное число независимых переменных для оцениваемых моделей. Если, например, параметр Минимальное число независимых переменных (Minimum Number of Explanatory Variables) равен 2, а параметр Максимальное число независимых переменных (Maximum Number of Explanatory Variables) равен 3, инструмент Исследовательская регрессия (Exploratory Regression) будет использовать все модели с каждой комбинацией независимых переменных и все модели с каждой комбинацией трех независимых переменных.

Long
Minimum_Acceptable_Adj_R_Squared
(дополнительно)

Это наименьшее значение Выровненного R-квадрата (Adjusted R-Squared), с которым модель проходит проверку. Если модель соответствует всем другим критериям поиска, но значение Выровненного R-квадрата (Adjusted R-Squared) меньше введенного здесь значения, она не будет показана как проходящая модель в выходном файле отчета. Корректные значения параметров лежат в диапазоне от 0,0 до 1,0. Значение по умолчанию равно 0,5, что указывает на то, что проходящие модели будут объяснять минимум 50 процентов вариаций в зависимой переменной.

Double
Maximum_Coefficient_p_value_Cutoff
(дополнительно)

Для каждой оцениваемой модели OLS вычисляет p-значения коэффициентов независимой переменной. Пороговое p-значение, вводимое здесь, представляет уровень уверенности, необходимый для всех коэффициентов в модели, чтобы считать модель проходящей. Небольшие p-значения отражают высокий уровень уверенности. Корректные значения для этого параметра лежат в диапазоне от 1,0 до 0,0, но чаще всего это значения 0,1, 0,05, 0,01, 0,001 и т. д. Значение по умолчанию равно 0,05, что указывает на то, что проходящие модели будут содержать только независимые переменные, коэффициенты которых статистически значимы для 95 % (p-значения меньше 0,05). Чтобы ослабить это значение по умолчанию, введите большее пороговое p-значение, например 0,1. Если вы получаете множество проходящих значений, сделайте этот критерий поиска более строгим, уменьшив пороговое p-значение с 0,05 на 0,01 или меньшее значение.

Double
Maximum_VIF_Value_Cutoff
(дополнительно)

Это значение отражает допустимую избыточность (мультиколлинеарность) независимых переменных модели. Если значение VIF (фактор, увеличивающий дисперсию) больше 7,5, мультиколлинеарность может сделать модель нестабильной. Следовательно, 7,5 — это значение по умолчанию. Если проходящие модели должны быть менее избыточными, введите меньшее значение, например 5,0.

Double
Minimum_Acceptable_Jarque_Bera_p_value
(дополнительно)

p-значение, возвращаемое диагностическим тестом Жака-Бера определяет, имеют ли невязки модели нормальное распределение. Если p-значение статистически значимое (небольшое), невязки модели не являются нормальными, а модель смещена. У проходящих моделей должны быть большие p-значения Жака-Бера. Минимально допустимое p-значение равно 0,1. Только модели с p-значениями больше этого минимума считаются проходящими. Если у вас не получается найти несмещенные проходящие модели и вы решаете ослабить этот критерий, введите меньшее минимальное p-значение, такое как 0,05.

Double
Minimum_Acceptable_Spatial_Autocorrelation_p_value
(дополнительно)

Для моделей, которые соответствуют всем другим критериям, инструмент Исследовательская регрессия (Exploratory Regression) проверяет невязки модели на пространственную кластеризацию с помощью Глобального индекса Морана I. Если p-значение для этого диагностического теста статистически значимо (небольшое), в модели, скорее всего, недостаточно важных независимых переменных (она описывает не все явление). К сожалению, имеется пространственная автокорреляция невязок, модель задана неправильно и вы не можете доверять результатам. У проходящих моделей должны быть большие p-значения для этого теста. Минимальное p-значение по умолчанию равно 0,1. Только модели с p-значениями больше этого минимума считаются проходящими. Если у вас не получается найти правильные модели из-за этого теста и вы решаете ослабить этот критерий, введите меньшее минимальное p-значение, такое как 0,05.

Double

Пример кода

ExploratoryRegression. Пример 1 (окно Python)

Следующий скрипт в окне Python демонстрирует, как использовать инструмент ExploratoryRegression.

import arcpy, os
arcpy.env.workspace = r"C:\ER"
arcpy.ExploratoryRegression_stats("911CallsER.shp", 
                                "Calls", 
                                "Pop;Jobs;LowEduc;Dst2UrbCen;Renters;Unemployed;Businesses;NotInLF; \
                                ForgnBorn;AlcoholX;PopDensity;MedIncome;CollGrads;PerCollGrd; \
                                PopFY;JobsFY;LowEducFY",
                                "BG_911Calls.swm", "BG_911Calls.txt", "",
                                "MAX_NUMBER_ONLY", "5", "1", "0.5", "0.05", "7.5", "0.1", "0.1")
ExploratoryRegression. Пример 2 (автономный скрипт Python)

Следующий автономный скрипт Python демонстрирует, как использовать инструмент ExploratoryRegression.

# Exploratory Regression of 911 calls in a metropolitan area
# using the Exploratory Regression Tool

# Import system modules
import arcpy, os

# Set geoprocessor object property to overwrite existing output, by default
arcpy.gp.overwriteOutput = True

try:
    # Set the current workspace (to avoid having to specify the full path to
    # the feature classes each time)
    arcpy.env.workspace = r"C:\ER"

    # Join the 911 Call Point feature class to the Block Group Polygon feature class
    # Process: Spatial Join
    fieldMappings = arcpy.FieldMappings()
    fieldMappings.addTable("BlockGroups.shp")
    fieldMappings.addTable("911Calls.shp")

    sj = arcpy.SpatialJoin_analysis("BlockGroups.shp", "911Calls.shp", "BG_911Calls.shp",
                               "JOIN_ONE_TO_ONE",
                               "KEEP_ALL",
                               fieldMappings,
                               "COMPLETELY_CONTAINS", "", "")

    # Delete extra fieldsto clean up the data
    # Process: Delete Field 
    arcpy.DeleteField_management("BG_911Calls.shp", "OBJECTID;INC_NO;DATE_;MONTH_;STIME; \
                                 SD_T;DISP_REC;NFPA_TYP;CALL_TYPE;RESP_COD;NFPA_SF; \
                                 SIT_FND;FMZ_Q;FMZ;RD;JURIS;COMPANY;COMP_COD;RESP_YN; \
                                 DISP_DT;DAY_;D1_N2;RESP_DT;ARR_DT;TURNOUT;TRAVEL; \
                                 RESP_INT;ADDRESS_ID;CITY;CO;AV_STATUS;AV_SCORE; \
                                 AV_SIDE;Season;DayNight")

    # Create Spatial Weights Matrix for Calculations
    # Process: Generate Spatial Weights Matrix
    swm = arcpy.GenerateSpatialWeightsMatrix_stats("BG_911Calls.shp", "TARGET_FID", "BG_911Calls.swm",
                                             "CONTIGUITY_EDGES_CORNERS",
                                             "EUCLIDEAN", "1", "", "", "ROW_STANDARDIZATION", "", "", "", "")

    # Exploratory Regression Analysis for 911 Calls
    # Process: Exploratory Regression
    er = arcpy.ExploratoryRegression_stats("BG_911Calls.shp",
                                      "Calls",
                                      "Pop;Jobs;LowEduc;Dst2UrbCen;Renters;Unemployed;Businesses;NotInLF; \
                                ForgnBorn;AlcoholX;PopDensity;MedIncome;CollGrads;PerCollGrd; \
                                PopFY;JobsFY;LowEducFY",
                                      "BG_911Calls.swm", "BG_911Calls.txt", "",
                                      "MAX_NUMBER_ONLY", "5", "1", "0.5", "0.05", "7.5", "0.1", "0.1")
 
except:
    # If an error occurred when running the tool, print out the error message.
    print arcpy.GetMessages()

Параметры среды

Связанные темы

Обзор группы инструментов Моделирование пространственных отношений (Modeling Spatial Relationships)
Как работает инструмент Исследовательская регрессия (Exploratory Regression)
Основы регрессионного анализа
Что вам не говорят о регрессионном анализе
Интерпретация результатов инструмента Исследовательская регрессия (Exploratory Regression)
Интерпретация результатов ГВР (OLS)
Географически взвешенная регрессия (ГВР)
Пространственная автокорреляция (Global Moran's I)
Что такое z-оценка? Что такое p-значение?
Как работает регрессия по МНК (методу наименьших квадратов)

Информация о лицензировании

ArcGIS for Desktop Basic: Да
ArcGIS for Desktop Standard: Да
ArcGIS for Desktop Advanced: Да
Информация об авторском праве © Esri, 1995-2013. Все права защищены.
9/11/2013