Regressionsanalyse (Spatial Statistics)

Lizenzstufe:BasicStandardAdvanced

Zusammenfassung

Mit dem Werkzeug für die Regressionsanalyse werden alle möglichen Kombinationen von potenziellen erklärenden Variablen ausgewertet. Hierbei wird nach OLS-Modellen gesucht, die die abhängige Variable im Kontext von benutzerdefinierten Kriterien am besten erläutern.

Sie können die Ergebnisse dieses Werkzeugs (einschließlich der optionalen PDF-Berichtsdatei) über das Fenster Ergebnisse aufrufen. Wenn Sie die Hintergrundverarbeitung deaktivieren, werden die Ergebnisse auch in das Dialogfeld Fortschritt geschrieben.

Weitere Informationen zur Funktionsweise der Regressionsanalyse

Bild

Grafik "Regressionsanalyse"
Sucht anhand einer Reihe von potenziellen erklärenden Variablen ordnungsgemäß angegebene OLS-Modelle.

Verwendung

Syntax

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})
ParameterErläuterungDatentyp
Input_Features

Die Feature-Class oder der Feature-Layer, die bzw. der die abhängigen und potenziellen erklärenden Variablen für die Analyse enthält.

Feature Layer
Dependent_Variable

Das numerische Feld mit den beobachteten Werte, die Sie mit OLS modellieren möchten.

Field
Candidate_Explanatory_Variables
[Candidate_Explanatory_Variables,...]

Eine Liste mit Feldern, die als erklärende Variablen für das OLS-Modell herangezogen werden können.

Field
Weights_Matrix_File
(optional)

Eine Datei, die räumlichen Gewichtungen enthält, mit denen die räumlichen Beziehungen zwischen den Eingabe-Features definiert werden. Diese Datei wird für die Bewertung der räumlichen Autokorrelation zwischen Regressionsresiduen verwendet. Mit dem Werkzeug Räumliche Gewichtungsmatrix erstellen können Sie diese Datei erstellen. Wenn Sie keine räumliche Gewichtungsmatrixdatei bereitstellen, werden Residuen für die räumliche Autokorrelation basierend auf den 8 nächsten Nachbarn der einzelnen Features ausgewertet.

Hinweis: Die räumliche Gewichtungsmatrixdatei wird nur für die Analyse der räumlichen Struktur in Modellresiduen verwendet. Sie wird nicht zum Erstellen oder Kalibrieren der OLS-Modelle herangezogen.

File
Output_Report_File
(optional)

Die Berichtsdatei enthält die Ergebnisse der Werkzeugoperationen, einschließlich Details zu Modellen, die alle von Ihnen eingegebenen Suchkriterien erfüllen. Diese Ausgabedatei enthält auch Diagnosen, mit denen Sie häufige Regressionsprobleme beheben können, falls keine bestandenen Modelle gefunden wurden.

File
Output_Results_Table
(optional)

Die optional erstellte Ausgabe-Tabelle mit den erklärenden Variablen und Diagnosen für alle Modelle innerhalb der Grenzwerte für den p-Wert des Koeffizienten und den VIF-Wert.

Table
Maximum_Number_of_Explanatory_Variables
(optional)

Es werden alle Modelle mit erklärenden Variablen bis zu dem hier eingegebenen Wert ausgewertet. Wenn zum Beispiel Minimale Anzahl erklärender Variablen den Wert 2 und Maximale Anzahl erklärender Variablen den Wert 3 aufweist, zieht das Werkzeug Regressionsanalyse alle Modelle mit allen möglichen Kombinationen der beiden erklärenden Variablen sowie alle Modelle mit allen möglichen Kombinationen der drei erklärenden Variablen heran.

Long
Minimum_Number_of_Explanatory_Variables
(optional)

Dieser Wert stellt die minimale Anzahl erklärender Variablen für die auszuwertenden Modelle dar. Wenn zum Beispiel Minimale Anzahl erklärender Variablen den Wert 2 und Maximale Anzahl erklärender Variablen den Wert 3 aufweist, zieht das Werkzeug Regressionsanalyse alle Modelle mit allen möglichen Kombinationen der beiden erklärenden Variablen sowie alle Modelle mit allen möglichen Kombinationen der drei erklärenden Variablen heran.

Long
Minimum_Acceptable_Adj_R_Squared
(optional)

Dies ist der niedrigste Wert für "Adjusted R-Squared", der für ein bestandenes Modell vorausgesetzt wird. Wenn ein Modell allen Suchkriterien entspricht, jedoch einen niedrigeren Wert als den hier für "Adjusted R-Squared" eingegebenen Wert aufweist, wird es in der Ausgabeberichtsdatei nicht als bestandenes Modell aufgeführt. Gültige Werte für diesen Parameter liegen zwischen 0,0 und 1,0. Der Standardwert ist 0,5 und gibt an, dass bestandene Modelle mindestens 50 Prozent der Variation in der abhängigen Variablen erklären.

Double
Maximum_Coefficient_p_value_Cutoff
(optional)

Für jedes ausgewertete Modell berechnet OLS Koeffizienten-p-Werte der erklärenden Variable. Der hier eingegebene Grenzwert für den p-Wert stellt das Konfidenzniveau dar, das für alle Koeffizienten im Modell erforderlich ist, um das Modell als bestanden anzusehen. Kleinere p-Werte stellen ein höheres Konfidenzniveau dar. Gültige Werte für diesen Parameter liegen zwischen 1,0 und 0,0. In den meisten Fällen sind es Werte wie 0,1, 0,05, 0,01, 0,001 usw. Der Standardwert ist 0,05 und gibt an, dass bestandene Modelle nur solche erklärenden Variablen enthalten, deren Koeffizienten ein statistisches Konfidenzniveau von 95 Prozent aufweisen (p-Werte kleiner als 0,05). Um diesen Standardwert auszuweiten, geben Sie einen höheren Grenzwert für den p-Wert an, zum Beispiel 0,1. Wenn sich sehr viele bestandene Modelle ergeben, sollten Sie dieses Suchkriterium einschränken, indem Sie den standardmäßigen Grenzwert für den p-Wert von 0,05 auf 0,01 oder weniger verringern.

Double
Maximum_VIF_Value_Cutoff
(optional)

Dieser Wert gibt an, wie viel Redundanz (Multikollinearität) Sie zwischen den erklärenden Variablen des Modells tolerieren. Wenn der Wert für den Varianzinflationsfaktor (Variance Inflation Factor, VIF) höher ist als ca. 7,5, kann die Multikollinearität dazu führen, dass das Modell instabil wird; daher ist 7,5 in diesem Fall der Standardwert. Wenn die bestandenen Modelle weniger Redundanz aufweisen sollen, geben Sie einen niedrigeren Wert für diesen Parameter ein, beispielsweise 5,0.

Double
Minimum_Acceptable_Jarque_Bera_p_value
(optional)

Der vom Jarque-Bera-Diagnosetest zurückgegebene p-Wert gibt an, ob die Modellresiduen normal verteilt sind. Wenn der p-Wert statistisch signifikant (klein) ist, sind die Modellresiduen nicht normal, d. h. das Modell ist verzerrt. Bestandene Modelle müssen einen hohen Jarque-Bera-p-Wert aufweisen. Der zulässige Standard-Mindestwert für den p-Wert ist 0,1. Als bestanden werden nur solche Modelle betrachtet, die höhere p-Werte als diesen Mindestwert zurückgeben. Wenn keine unverzerrten bestandenen Modelle gefunden werden und Sie dieses Kriterium ausweiten möchten, können Sie einen niedrigeren Mindestwert für den p-Wert eingeben, beispielsweise 0,05.

Double
Minimum_Acceptable_Spatial_Autocorrelation_p_value
(optional)

Bei Modellen, die alle anderen Suchkriterien erfüllen, werden mit dem Werkzeug Regressionsanalyse die Modellresiduen auf räumliche Cluster-Bildung mit Morans I überprüft. Wenn der p-Wert dieses Diagnosetests statistisch signifikant (klein) ist, weist dies darauf hin, dass im Modell höchstwahrscheinlich wichtige erklärende Variablen fehlen. Wenn die Regressionsresiduen eine räumliche Autokorrelation aufweisen, ist das Modell falsch angegebenen, und die Ergebnisse sind somit nicht vertrauenswürdig. Bestandene Modelle müssen hohe p-Werte für diesen Diagnosetest aufweisen. Der Standard-Mindestwert für den p-Wert ist 0,1. Als bestanden werden nur solche Modelle betrachtet, die höhere p-Werte als diesen Mindestwert zurückgeben. Wenn aufgrund dieses Diagnosetests keine ordnungsgemäß angegebenen Modelle gefunden werden können und Sie dieses Suchkriterium erweitern möchten, können Sie einen niedrigeren Mindestwert eingeben, beispielsweise 0,05.

Double

Codebeispiel

ExploratoryRegression – Beispiel 1 (Python-Fenster)

Das folgende Skript im Python-Fenster veranschaulicht, wie Sie das Werkzeug "ExploratoryRegression" verwenden.

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 – Beispiel 2 (eigenständiges Python-Skript)

Das folgende eigenständige Python-Skript veranschaulicht, wie Sie das Werkzeug "ExploratoryRegression" verwenden.

# 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()

Umgebung

Verwandte Themen

Überblick über das Toolset "Modellierung von räumlichen Beziehungen"
Funktionsweise der Regressionsanalyse
Grundlagen zur Regressionsanalyse
Was Sie noch nicht über die Regressionsanalyse wussten
Interpretieren der Ergebnisse des Werkzeugs "Regressionsanalyse"
Interpretieren von OLS-Ergebnissen
Geographisch gewichtete Regression (GWR)
Räumliche Autokorrelation (Morans I)
Was ist ein Z-Ergebnis? Was ist ein p-Wert?
How OLS regression works

Lizenzierungsinformationen

ArcGIS for Desktop Basic: Ja
ArcGIS for Desktop Standard: Ja
ArcGIS for Desktop Advanced: Ja
Copyright © 1995-2013 Esri. Alle Rechte vorbehalten.
9/12/2013