Hot-Spot-Analyse-Vergleich (Spatial Statistics)

Zusammenfassung

Vergleicht zwei Ergebnis-Layer der Hot-Spot-Analyse und misst ihre Ähnlichkeit und Zuordnung.

Die Ähnlichkeit und Zuordnung zwischen den Hot-Spot-Analyse-Ergebnis-Layern wird mittels Vergleich der Kategorien des Signifikanzniveaus zwischen korrespondierenden Features in beiden Eingabe-Layern ermittelt. Mit der Ähnlichkeit wird die Enge der räumlichen Ausrichtung von Hot-Spots, Cold-Spots und nichtsignifikanten Bereichen gemessen. Mit der Zuordnung (oder Abhängigkeit) wird die Stärke der zugrunde liegenden statistischen Beziehung zwischen den Hot-Spot-Variablen gemessen (ähnlich der Korrelation bei kontinuierlichen Variablen).

Weitere Informationen zur Funktionsweise des Hot-Spot-Analyse-Vergleichs

Abbildung

Abbildung zum Werkzeug "Hot-Spot-Analyse-Vergleich"
Der Vergleich zweier Hot-Spot-Analyse-Ergebnis-Layer ist zu sehen. Dunklere Orangetöne stehen für größere Unterschiede zwischen den Layern.

Verwendung

  • Alle Vergleiche werden durch Vergleich der Signifikanzniveau-Kategorien (99 % Hot, 95 % Hot, 90 % Hot, nicht signifikant, 90 % Cold, 95 % Cold und 99 % Cold) zwischen korrespondierenden Features in beiden Eingabe-Layern bestimmt. Mit der Ähnlichkeit wird die Enge der räumlichen Ausrichtung von Hot-Spots, Cold-Spots und nichtsignifikanten Bereichen gemessen. Mit der Zuordnung (oder Abhängigkeit) wird die Stärke der zugrunde liegenden statistischen Beziehung zwischen den Hot-Spot-Variablen gemessen (ähnlich der Korrelation bei kontinuierlichen Variablen). Die Unterscheidung zwischen Ähnlichkeit und Zuordnung ist wichtig, da häufig zwei Hot-Spot-Ergebnisse sehr ähnlich sind (viele korrespondierenden Features und ihre Nachbarn haben dasselbe Signifikanzniveau), aber trotzdem nur wenig Zuordnung oder Abhängigkeit aufweisen. Das bedeutet, dass trotz der Ähnlichkeit der Signifikanzniveaus die Versuche, die eine Variable zu beeinflussen (wie zum Beispiel Abhilfemaßnahmen), keine Änderungen in der anderen Variable bewirken. Ergebnisse mit hoher Ähnlichkeit, aber ohne Zuordnung, treten häufig dann auf, wenn beide Hot-Spot-Ergebnisse durch eine einzelne Kategorie (zum Beispiel "Nicht signifikant") dominiert werden, oder wenn beide Ergebnisse große Cluster aus Features mit demselben Signifikanzniveaus enthalten.

    Die Ähnlichkeit zwischen den Hot-Spot-Ergebnissen wird durch einen Ähnlichkeitswert zwischen 0 und 1 gemessen. Wenn viele korrespondierende Features in beiden Ergebnissen dasselbe Signifikanzniveau aufweisen, ist der Wert nahe 1. Wenn viele korrespondierende Features keine übereinstimmenden Signifikanzniveaus aufweisen, ist der Wert nahe 0. Die Zuordnung wird durch einen Kappa-Wert gemessen: Ergebnisse mit starker Zuordnung haben Kappa-Werte nahe bei 1, und Ergebnisse ohne Zuordnung (unabhängige Ergebnisse) haben Kappa-Werte nahe bei 0 (oder leicht negative Kappa-Werte). Der Kappa-Wert ist eine neu skalierte Version des Ähnlichkeitswertes, der räumliche Cluster und Kategoriehäufigkeiten erklärt, damit die statistische Zuordnung zwischen den Hot-Spot-Ergebnissen isoliert werden kann. Beide Werte verwenden die Zugehörigkeit zu einer Fuzzy-Menge, um basierend auf der Ähnlichkeit des Signifikanzniveaus und auf räumlichen Nachbarschaften Teilübereinstimmungen zwischen korrespondierenden Features zuzulassen. Zum Beispiel können 99%-Hot-Spots als perfekte Übereinstimmungen zu anderen 99%-Hot-Spots, teilweise Übereinstimmungen zu 95%-Hot-Spots und vollständige Nichtübereinstimmungen zu 99%-Cold-Spots betrachtet werden. Die korrespondierenden Features können auch als teilweise Übereinstimmungen betrachtet werden, wenn die Features selbst nicht dasselbe Signifikanzniveau haben, ihre benachbarten Features aber sehr wohl.

    Das Werkzeug berechnet einen globalen Ähnlichkeitswert und einen globalen Kappa-Wert, um die gesamte Ähnlichkeit und Zuordnung zwischen den Hot-Spot-Ergebnissen zu messen. Außerdem werden für jedes Paar korrespondierender Features auch lokale Versionen berechnet. Dadurch können Sie die Vergleiche auf einer Karte darstellen, um Bereiche zu erkunden, die eine höhere oder niedrigere Ähnlichkeit oder Zuordnung als die globalen Werte haben. Die Ausgabe-Features enthalten auch Diagramme und eine benutzerdefinierte Symbolisierung, die Bereiche hervorhebt, in denen die Hot-Spot-Ergebnisse unähnlich sind, und die Signifikanzniveaupaare aller korrespondierenden Features zusammenfasst.

  • Die Werte der Parameter Eingabe-Hot-Spot-Ergebnis 1 und Eingabe-Hot-Spot-Ergebnis 2 müssen die Ausgabe-Features des Werkzeugs Hot-Spot-Analyse (Getis-Ord Gi*) oder des Werkzeugs Optimierte Hot-Spot-Analyse sein. Jedes Feature in jedem Ergebnis muss mit einem einzelnen Feature des jeweils anderen Ergebnisses ein Paar bilden, damit ihre Signifikanzniveau-Kategorien verglichen werden können. Wenn die Features der zwei Eingabe-Hot-Spot-Ergebnisse nicht räumlich aneinander ausgerichtet sind (wie zum Beispiel Polygone, die nicht dieselben Grenzen besitzen), wird vor der Analyse eine Überschneidung (Schnittpunktberechnung) für die zwei Feature-Layer durchgeführt, und die Vergleiche werden an den Feature-Schnittpunkten durchgeführt. Wenn die zwei Hot-Spot-Ergebnisse Polygone unterschiedlicher Größe sind, sollten Sie vorsichtig vorgehen, da der Überschneidungsvorgang große Polygon in viele kleinere Polygone unterteilt, wodurch sich die Häufigkeiten der Signifikanzniveau-Kategorien ändern. Zum Verwenden des Werkzeugs sind mindestens 20 Feature-Schnittpunkte erforderlich.

  • Die Ergebnisse der Vergleiche werden über Geoverarbeitungsmeldungen, einen Gruppen-Layer der Ausgabe-Feature-Class und Diagramme zurückgegeben.

    Die Meldungen enthalten Informationen zu den Gesamtvergleichen zwischen den Hot-Spot-Ergebnissen. Die Meldungen zeigen die folgenden Informationen an:

    • Ähnlichkeitswert: Ein Wert zwischen 0 und 1 zur Messung der gesamten Ähnlichkeit zwischen den Hot-Spot-Ergebnis-Layern. Dieser Wert kann als Fuzzy-Wahrscheinlichkeit interpretiert werden, mit der ein Paar korrespondierender Features das Signifikanzniveau derselben Kategorie haben.
    • Erwarteter Ähnlichkeitswert: Der erwartete Wert der Ähnlichkeit unter der Annahme, dass die zwei Hot-Spot-Ergebnis-Layer nicht zugeordnet (unabhängig) sind. Wenn der Ähnlichkeitswert größer ist als erwartet, deutet dies auf eine zugrunde liegende Abhängigkeit zwischen den beiden Karten hin. Dieser Wert ist im Wesentlichen rein informativ und wird verwendet, um beim Berechnen des Kappa-Wertes den Ähnlichkeitswert zu skalieren. Der Wert wird berechnet, indem Paare aus jedem Feature mit zufälligen Features im anderen Hot-Spot-Ergebnis gebildet werden und die Ähnlichkeit berechnet wird. Durch das Bilden von Paaren aus jedem Feature mit zufälligen Features (anstatt mit seinem korrespondierenden Feature) wird der erwartete Wert räumlich angepasst, um räumliche Cluster und Kategoriehäufigkeiten in beiden Hot-Spot-Ergebnissen zu erklären. Der Parameter Anzahl der Permutationen gibt die Anzahl der Zufallspaarungen jedes Features an, und der erwartete Ähnlichkeitswert ist der Durchschnitt der Ähnlichkeitswerte der Permutationen.
    • Räumliches Fuzzy-Kappa: Ein Maß der Zuordnung zwischen den Hot-Spot-Analysevariablen, das durch Skalieren des Ähnlichkeitswertes nach dem erwarteten Wert berechnet wird. Hot-Spot-Ergebnisse, die perfekt zugeordnet sind, haben den Wert 1, und nicht zugeordnete (unabhängige) Ergebnisse haben einen Wert nahe bei 0. Negative Werte zeigen eine negative Beziehung zwischen den Hot-Spot-Analysevariablen an. Zwar gibt es für diesen Wert kein Minimum, in der Praxis sind die Werte jedoch nur selten kleiner als -3.
    • Zusammenfassungen der Gewichtungen zwischen den einzelnen Signifikanzniveaupaaren für Hot-Spots.
    • Tabellen mit den Meldungen zur Anzahl und zu den Prozentsätzen der einzelnen Signifikanzniveaupaare für Hot-Spots. In diesen Tabellen werden die Anzahl und die Prozentsätze der Signifikanzniveaus des zweiten Hot-Spot-Ergebnis-Layers nach den Kategorien des ersten Ergebnis-Layers aufgegliedert. Zum Beispiel können Sie unter den zu 90 % statistisch signifikanten Hot-Spots im ersten Ergebnis-Layer die Anzahl und den Prozentsatz der Hot-Spots, die auch zu 90 % statistisch signifikante Hot-Spots im zweiten Ergebnis-Layer waren, sowie die Anzahl und die Prozentsätze für alle anderen Signifikanzniveau-Kategorien sehen. Dies ist besonders nützlich, wenn die Ergebnisse der Hot-Spot-Analyse dieselbe, zu unterschiedlichen Zeiten gemessene Variable darstellen. In diesem Fall können Sie in der Tabelle die Kategorien sehen, die in der Zeit zwischen den Messungen übertragen wurden.

    Die Ausgabe-Features enthalten Felder für den Ähnlichkeitswert, den erwartetern Ähnlichkeitswert, den Kappa-Wert und die Signifikanzniveau-Kategorien der einzelnen Paare korrespondierender Features. Wenn das Werkzeug in einer Karte ausgeführt wird, dann werden in einem Gruppen-Layer drei Layer hinzugefügt, mit deren Hilfe Sie die Ähnlichkeit, die Zuordnung und die Signifikanzniveaupaare räumlich erkunden und untersuchen können. Im ersten Layer werden die Ähnlichkeitswerte in einer Klassifikation in fünf gleiche Intervalle zwischen 0 und 1 angezeigt. Dabei werden niedrigere Ähnlichkeitswerte in dunkleren Farben dargestellt, um die Bereiche mit der geringsten Ähnlichkeit hervorzuheben. Im zweiten Layer werden die räumlichen Fuzzy-Kappa-Werte in einer Symbolisierung mit gleichen Intervallen und sechs Klassen angezeigt. Im dritten Layer wird jede Signifikanzniveaukombination mit benutzerdefinierter Symbolisierung angezeigt, um die Features zu identifizieren, in denen das eine Eingabe-Hot-Spot-Ergebnis ein statistisch signifikanter Hot-Spot und das andere Eingabe-Hot-Spot-Ergebnis ein statistisch signifikanter Cold-Spot war (in der benutzerdefinierten Symbolisierung wird nicht zwischen 90 %, 95 % und 99 % Signifikanz unterschieden, um die Anzahl der Kombinationen zu verringern).

    Der endgültige Layer enthält auch ein Heat-Diagramm und ein angepasstes Balkendiagramm, mit deren Hilfe die Signifikanzniveaupaare weiter untersucht werden können. Diese Diagramme präsentieren dieselben Informationen wie die Tabellen in den Meldungen. In den Diagrammen sind jedoch die Häufigkeiten und Prozentsätze verschiedenfarbig hervorgehoben, um die Interpretation zu erleichtern. Sie haben auch mehrere Möglichkeiten der Auswahl zwischen den Diagrammen und der Karte. So können Sie zum Beispiel alle Features auswählen, die 99%-Hot-Spots in dem einen Ergebnis und 99%-Cold-Spots in dem anderen Ergebnis waren, um die größtmöglichen Unterschiede aufzuzeigen.

    Weitere Informationen zu Werkzeugausgaben

  • Der Parameter Methode zur Gewichtung der Ähnlichkeit definiert die Ähnlichkeit zwischen jeder Kombination aus Signifikanzniveau-Kategorien unter Verwendung der Zugehörigkeit zu einer Fuzzy-Menge. Jede Gewichtung ist ein Wert zwischen 0 und 1, der angibt, wie ähnlich die Kategorien beim Durchführen von Vergleichen behandelt werden sollen. Zum Beispiel können Sie eine Gewichtung von 0,75 zwischen den Kategorien 99 % Hot und 95 % Hot definieren, um anzugeben, dass sie zwar nicht identisch sind, aber ihre Ähnlichkeiten stärker sind als ihre Unterschiede.

    Bei der Standardoption Fuzzy-Gewichtungen werden die Kategorien nach der Nähezentralität des Signifikanzniveaus (bestimmt durch kritische Wertverhältnisse) gewichtet. Mit weiteren Optionen können Sie Kategorien kombinieren, indem Sie zwischen ihnen eine Gewichtung mit dem Wert 1 zuweisen. Zum Beispiel werden bei der Option 95 % und 99 % signifikant kombinieren die Kategorien 99 % Hot und 95 % Hot in einer einzigen Kategorie kombiniert, 99 % Cold und 95 % Cold kombiniert und 90 % Hot, nicht signifikant und 90 % Cold kombiniert. Bei dieser Option werden alle Hot-Spots (oder Cold-Spots) mit mindestens 95 % Signifikanz als identisch (statistisch signifikant) und alle Features unter 95 % Signifikanz als identisch (nicht statistisch signifikant) behandelt. Dies ist hilfreich, wenn Sie die beiden Hot-Spot-Analysen bei einem Signifikanzniveau von 95 % durchführen möchten und dabei alle signifikanten 90%-Hot-Spots und -Cold-Spots so behandelt werden sollen, als wären sie nicht signifikant. Die Option Hot- und Cold-Beziehungen umkehren weist der Ähnlichkeit zwischen Hot- und Cold-Spots eine hohe Gewichtung zu. Zum Beispiel können 99 %-Hot-Spots als perfekte Übereinstimmungen zu 99 %-Cold-Spots und als vollständige Nichtübereinstimmungen zu anderen 99 %-Hot-Spots betrachtet werden. Diese Option eignet sich für das Messen der Ähnlichkeit und Zuordnung zwischen Variablen mit einer negativen Beziehung, zum Beispiel beim Vergleichen der Hot-Spots der Kindersterblichkeit mit Cold-Spots des mittleren Einkommens.

    Mit der Option Benutzerdefinierte Gewichtungen können Sie benutzerdefinierte Ähnlichkeitsgewichtungen definieren, um Kategorien zusammenzuführen und eigene Voreinstellungen zu definieren. Die benutzerdefinierten Gewichtungen können Sie im Parameter Benutzerdefinierte Ähnlichkeitsgewichtungen angeben. Dieser Parameter wird als Pop-out-Matrix mit den 49 (7 mal 7) Signifikanzniveaukombinationen angezeigt. Um eine Gewichtung zwischen einem Kategoriepaar anzugeben, geben Sie den Wert in der zugehörigen Zelle ein und drücken die Eingabetaste. Die benutzerdefinierten Gewichtungen können Sie im Pop-out-Dialogfeld in eine Tabelle exportieren, damit sie später mit der Option Gewichtungen aus Tabelle abrufen wiederverwendet werden können.

    Hinweis:

    Ähnlichkeitsgewichtungen wirken sich nur auf die Berechnung der Ähnlichkeits- und der Kappa-Werte aus. Auch wenn Signifikanzniveau-Kategorien mithilfe von Ähnlichkeitsgewichtungen kombiniert wurden, in den Meldungstabellen, in der Ausgabe-Layer-Symbolisierung und in den Diagramme werden sie trotzdem als separate Kategorien behandelt.

    Weitere Informationen zur kategorischen Ähnlichkeit

  • Wenn große Teile eines Hot-Spot-Ergebnisses nicht signifikant sind, dann ergibt sich wegen des Abgleichs nichtsignifikanter Bereiche ein großer Ähnlichkeitswert. Wenn jedoch die nichtsignifikanten Features nicht von Interesse sind, dann wird es Ihnen sicher nichts nützen, dass die Ähnlichkeits- und die Kappa-Werte lediglich die Fülle nichtsignifikanter Bereiche in beiden Ergebnissen widerspiegeln. Sie können den Parameter Nichtsignifikante Features ausschließen verwenden, um jedes Paar korrespondierender Features von den Vergleichen auszuschließen, wenn beide Hot-Spot-Ergebnisse nicht statistisch signifikant sind. Wenn solche Features ausgeschlossen sind, dann berechnet das Werkzeug bedingte Ähnlichkeits- und Kappa-Werte, die nur die statistisch signifikanten Hot-Spots und Cold-Spots vergleichen. Wenn die nichtsignifikanten Features von den Berechnungen ausgeschlossen sind, dann können Sie die Ähnlichkeits- und Kappa-Werte nur unter den statistisch signifikanten Hot-Spots und Cold-Spots berechnen, um deren Ähnlichkeit und Zuordnung genau zu ermitteln.

    Hinweis:

    Wenn Signifikanzniveau-Kategorien durch Angabe einer relativen Ähnlichkeitsgewichtung von 1 mit der nichtsignifikanten Kategorie kombiniert wurden, dann werden diese Kategorien ebenfalls von den Vergleichen ausgeschlossen.

  • Wenn einer der Eingabe-Hot-Spot-Analyse-Ergebnis-Layer überlappende Polygone enthält, werden die Überlappungen zu neuen, sich überschneidenden Features. Dies kann dazu führen, dass die Ähnlichkeitswerte auch bei Ergebnis-Layern mit identischen Kategorien für das Signifikanzniveau ungleich 1 sind. Verwenden Sie die Umgebung XY-Toleranz, um unbeabsichtigte Überlappungen wie Geokodierungsfehler zu entfernen. Es empfiehlt sich, die Anzahl der Features in den Ausgabe-Features zu überprüfen, um herauszufinden, ob es mehr Schnittpunkte gibt als erwartet.

  • Der Parameter Anzahl der Nachbarn gibt die Anzahl der benachbarten Features an, die zusätzlich für die Entfernungsähnlichkeit verwendet werden sollen. Wie bei der Methode zur Gewichtung der Ähnlichkeit lässt die Entfernungsähnlichkeit teilweise Übereinstimmungen zu, wenn die Features selbst nicht dasselbe Signifikanzniveau haben, aber andere Features in ihrer Nachbarschaft übereinstimmende Signifikanzniveaus haben. Da die Hot-Spot-Analyse eine räumliche Methode ist, die lokale Nachbarschaften verwendet, ist das Signifikanzniveau jedes Features eine Charakterisierung der Werte dieses Features und seiner nächsten Nachbarn, nicht nur des Features selbst. In diesem Sinn sollte es, wenn ein benachbartes Feature ähnlich ist, einen gewissen Beitrag zur Ähnlichkeit seiner Nachbarn leisten.

    Teilweise Ähnlichkeit über Nachbarn wird mit einer Entfernungsgewichtung berücksichtigt, die auf der Anordnung der Nachbarn basiert. Das Feature erhält eine Entfernungsgewichtung von 1, und mit jedem zusätzlichen Nachbarn nehmen die Gewichtungen stetig ab. Die gesamte Ähnlichkeit zwischen zwei beliebigen Features ist ihre kategorische Ähnlichkeit (aus der Methode zur Gewichtung der Ähnlichkeit), multipliziert mit ihrer Entfernungsähnlichkeit.

    Weitere Informationen zur Ähnlichkeit von Entfernungen und zur Gewichtung von Nachbarn

  • Eine Änderung der Reihenfolge der Eingabe-Hot-Spot-Ergebnisse wirkt sich zwar nicht auf die Ähnlichkeitswerte aus, aber die erwarteten Ähnlichkeits- und Kappa-Werte ändern sich wegen der Zufälligkeit der Permutationen leicht. Die Achsen der Meldungstabellen und der Diagramme werden auch umgekehrt, was die Interpretation in bestimmten Fällen erleichtert. Da in den Meldungen und Diagrammen die Signifikanzniveau-Kategorien des zweiten Hot-Spot-Ergebnisses nach den Kategorien des ersten Ergebnisses aufgegliedert werden, können Sie stattdessen Kategorien des ersten Ergebnisses nach den Kategorien des zweiten Ergebnisses aufgegliedert anzeigen lassen, indem Sie die Reihenfolge der Eingabe-Layer umkehren.

Parameter

BeschriftungErläuterungDatentyp
Eingabe-Hot-Spot-Ergebnis 1

Der erste Ergebnis-Layer der Hot-Spot-Analyse.

Feature Layer
Eingabe-Hot-Spot-Ergebnis 2

Der zweite Ergebnis-Layer der Hot-Spot-Analyse.

Feature Layer
Ausgabe-Features

Die Ausgabe-Feature-Class, in der die lokalen Messwerte von Ähnlichkeit und Zuordnung enthalten sein sollen.

Feature Class
Anzahl der Nachbarn
(optional)

Die Anzahl der Nachbarn um jedes Feature, die für die Distanzgewichtung verwendet werden sollen. Die Distanzgewichtung ist eine Komponente der gesamten Ähnlichkeit. Dabei werden beim Berechnen von Ähnlichkeit und Zuordnung alle Features mit übereinstimmenden Signifikanzniveaus innerhalb der Nachbarschaft als teilweise Übereinstimmungen betrachtet.

Long
Anzahl der Permutationen
(optional)

Die Anzahl der Permutationen, die zum Schätzen der erwarteten Ähnlichkeits- und Kappa-Werte verwendet werden sollen. Bei einer größeren Anzahl der Simulationen nimmt die Genauigkeit der Schätzungen, aber auch die Berechnungszeit zu.

  • 99In der Analyse werden 99 Permutationen verwendet.
  • 199In der Analyse werden 199 Permutationen verwendet.
  • 499In der Analyse werden 499 Permutationen verwendet. Dies ist die Standardeinstellung.
  • 999In der Analyse werden 999 Permutationen verwendet.
  • 9999In der Analyse werden 9.999 Permutationen verwendet.
Long
Methode zur Gewichtung der Ähnlichkeit
(optional)

Gibt an, wie Ähnlichkeitsgewichtungen zwischen Signifikanzniveau-Kategorien definiert werden sollen. Ähnlichkeitsgewichtungen sind Zahlen zwischen 0 und 1, die die Kategorien des einen Ergebnisses definieren, von denen erwartet wird, dass sie mit den Kategorien des anderen Ergebnisses übereinstimmen. Der Wert 1 bedeutet, dass die Kategorien als exakt dasselbe betrachtet werden sollen, und der Wert 0 bedeutet, dass die Kategorien als etwas völlig anderes betrachtet werden sollen. Werte zwischen 0 und 1 geben den Grad der teilweisen Ähnlichkeit zwischen den Kategorien an. Zum Beispiel können 99 % signifikante Hot-Spots so behandelt werden, als wären sie anderen 99%-Hot-Spots absolut ähnlich, den 95%-Hot-Spots teilweise ähnlich und den 99%-Cold-Spots vollkommen unähnlich.

  • Fuzzy-GewichtungenÄhnlichkeitsgewichtungen sind Fuzzy-Werte (unscharfe nichtbinäre Werte) und werden durch die Nähezentralität der Signifikanzniveaus bestimmt. Zum Beispiel sind 99 % signifikante Hot-Spots anderen 99 % signifikanten Hot-Spots (Gewichtung = 1) absolut ähnlich, aber den 95 % signifikanten Hot-Spots (Gewichtung = 0,71) und den 90 % signifikanten Hot-Spots (Gewichtung = 0,55) teilweise ähnlich. Die Gewichtung zwischen 95 % signifikant und 90 % signifikant beträgt 0,78. Dann sind alle Hot-Spots allen Cold-Spots und nichtsignifikanten Features (Gewichtung = 0) vollkommen unähnlich. Dies ist die Standardeinstellung.
  • Exakter Abgleich der SignifikanzniveausDamit Features als ähnlich betrachtet werden, müssen sie dasselbe Signifikanzniveau haben. Zum Beispiel werden 99 % signifikante Hot-Spots so behandelt, als wären sie den 95 % und 90 % signifikanten Hot-Spots vollkommen unähnlich.
  • 90 %, 95 % und 99 % signifikant kombinierenFeatures, die 90 %, 95 % und 99 % signifikante Hot-Spots sind, werden so behandelt, als wären sie einander absolut ähnlich, und alle Features, die 90 %, 95 % und 99 % signifikante Cold-Spots sind, werden so behandelt, als wären sie einander absolut ähnlich. Bei dieser Option werden alle Features mit mindestens 90 % Signifikanz als identisch (statistisch signifikant) und alle Features unter 90 % Konfidenz als identisch (nichtsignifikant) behandelt. Diese Option wird empfohlen, wenn die Hot-Spot-Analyse bei einem Signifikanzniveau von 90 % durchgeführt werden soll.
  • 95 % und 99 % signifikant kombinierenFeatures, die 95 % und 99 % signifikante Hot-Spots (oder Cold-Spots) sind, werden so behandelt, als wären sie absolut ähnlich, und Features, die 95 % und 99 % signifikante Cold-Spots sind, werden so behandelt, als wären sie absolut ähnlich. Zum Beispiel werden 90 % signifikante Hot-Spots und Cold-Spots so behandelt, als wären sie den Features höherer Signifikanzniveaus vollkommen unähnlich. Bei dieser Option werden alle Features mit mindestens 95 % Konfidenz als identisch (statistisch signifikant) und alle Features unter 95 % Konfidenz als identisch (nichtsignifikant) behandelt. Diese Option wird empfohlen, wenn die Hot-Spot-Analyse bei einem Signifikanzniveau von 95 % durchgeführt werden soll.
  • Nur 99 % signifikant verwendenNur die Features, die 99 % signifikante Hot-Spots (oder Cold-Spots) sind, werden so behandelt, als wären sie einander absolut ähnlich. Bei dieser Option werden alle Features unter 99 % Signifikanz als nichtsignifikant behandelt. Diese Option wird empfohlen, wenn die Hot-Spot-Analyse bei einem Signifikanzniveau von 99 % durchgeführt werden soll.
  • Benutzerdefinierte GewichtungenDabei werden benutzerdefinierte Ähnlichkeitsgewichtungen verwendet, die im Parameter Kategorie-Ähnlichkeitsgewichtungen angegeben wurden.
  • Gewichtungen aus Tabelle abrufenÄhnlichkeitsgewichtungen zwischen Signifikanzniveaus werden durch eine Eingabetabelle definiert. Geben Sie die Tabelle im Parameter Eingabe-Gewichtungstabelle an.
  • Hot- und Cold-Beziehungen umkehrenDabei werden die Standard-Fuzzy-Gewichtungen verwendet, aber die Hot-Spots des ersten Hot-Spot-Ergebnisses werden so behandelt, als wären sie den Cold-Spots des zweiten Hot-Spot-Ergebnisses ähnlich. Zum Beispiel werden 99 % signifikante Hot-Spots in dem einen Ergebnis so behandelt, als wären sie den 99%-Cold-Spots in dem anderen Ergebnis absolut ähnlich und den 95%- und 90%-Cold-Spots in dem anderen Ergebnis teilweise ähnlich. Diese Option wird empfohlen, wenn die Hot-Spot-Analysevariablen eine negative Beziehung haben. Zum Beispiel können Sie messen, wie eng Hot-Spots der Kindersterblichkeit mit Cold-Spots des Zugangs zur Gesundheitsversorgung korrespondieren.
String
Kategorie-Ähnlichkeitsgewichtungen
(optional)

Die benutzerdefinierten Ähnlichkeitsgewichtungen zwischen Signifikanzniveau-Kategorien. Die Gewichtungen sind Werte zwischen 0 und 1 und geben an, wie ähnlich die zwei Kategorien behandelt werden sollen. Der Wert 0 gibt an, dass die Kategorien vollkommen unähnlich sind. Der Wert 1 gibt an, dass die Werte absolut ähnlich sind. Werte zwischen 0 und 1 geben an, dass die Kategorien teilweise ähnlich sind. Klicken Sie im Pop-out mit der Gewichtungsmatrix auf eine Zelle, geben Sie den Gewichtungswert ein, und drücken Sie die Eingabetaste, um die Gewichtung zu übernehmen.

Value Table
Eingabe-Gewichtungstabelle
(optional)

Die Tabelle, in der benutzerdefinierte Ähnlichkeitsgewichtungen für jede Kombination aus Signifikanzniveau-Kategorien für Hot-Spots enthalten sind. Die Tabelle muss die Felder CATEGORY1, CATEGORY2 und WEIGHT enthalten. Geben Sie die Signifikanzniveau-Kategorien des Paares (die Werte des Feldes Gi_Bin der Eingabe-Layer) in den Kategoriefeldern und die Ähnlichkeitsgewichtung zwischen ihnen im Gewichtungsfeld an. Wenn eine Kombination in der Tabelle nicht angegeben ist, wird vorausgesetzt, dass die Gewichtung den Wert 0 hat.

Table View
Nichtsignifikante Features ausschließen
(optional)

Gibt an, ob Feature-Paare von den Vergleichen ausgeschlossen werden sollen, wenn beide Hot-Spot-Ergebnisse nichtsignifikant sind. Wenn solche Features ausgeschlossen sind, dann werden bedingte Ähnlichkeits- und Kappa-Werte berechnet, die nur die statistisch signifikanten Hot-Spots und Cold-Spots vergleichen. Das Ausschließen von Features wird empfohlen, wenn Sie nur daran interessiert sind, ob Hot-Spots und Cold-Spots der Eingabe-Layer ausgerichtet sind, und nicht daran, ob die nichtsignifikanten Bereiche ausgerichtet sind, wie zum Beispiel beim Vergleichen, ob die Hot-Spots und Cold-Spots des mittleren Einkommens mit den Hot-Spots und Cold-Spots des Zugangs zu Lebensmitteln korrespondieren.

  • Aktiviert: Nichtsignifikante Features werden ausgeschlossen, und die Vergleiche werden nur für statistisch signifikante Hot-Spots und Cold-Spots durchgeführt.
  • Deaktiviert: Nichtsignifikante Features werden eingeschlossen. Dies ist die Standardeinstellung.

Wenn in Signifikanzniveau-Kategorien eine Ähnlichkeitsgewichtung von 1 der nichtsignifikanten Kategorie zugewiesen wurde (womit angegeben wurde, dass diese Kategorie und die nichtsignifikante Kategorie identisch behandelt werden sollen), dann werden Features mit dieser Kategorie ebenfalls von den Vergleichen ausgeschlossen, wenn sie mit einem anderen nichtsignifikanten Feature ein Paar bilden.

Boolean

Abgeleitete Ausgabe

BeschriftungErläuterungDatentyp
Globaler Ähnlichkeitswert

Der Wert der Ähnlichkeit zwischen den Hot-Spot-Ergebnissen.

Double
Globaler erwarteter Ähnlichkeitswert

Der erwartete Wert der Ähnlichkeit zwischen den Hot-Spot-Ergebnissen.

Double
Globales räumliches Fuzzy-Kappa

Der Wert des räumlich angepassten Fuzzy-Kappa zwischen den Hot-Spot-Ergebnissen.

Double
Ausgabe-Layer-Gruppe

Ein Gruppen-Layer der Ausgabe-Layer.

Group Layer

arcpy.stats.HotSpotAnalysisComparison(in_hot_spot_1, in_hot_spot_2, out_features, {num_neighbors}, {num_perms}, {weighting_method}, {similarity_weights}, {in_weights_table}, {exclude_nonsig_features})
NameErläuterungDatentyp
in_hot_spot_1

Der erste Ergebnis-Layer der Hot-Spot-Analyse.

Feature Layer
in_hot_spot_2

Der zweite Ergebnis-Layer der Hot-Spot-Analyse.

Feature Layer
out_features

Die Ausgabe-Feature-Class, in der die lokalen Messwerte von Ähnlichkeit und Zuordnung enthalten sein sollen.

Feature Class
num_neighbors
(optional)

Die Anzahl der Nachbarn um jedes Feature, die für die Distanzgewichtung verwendet werden sollen. Die Distanzgewichtung ist eine Komponente der gesamten Ähnlichkeit. Dabei werden beim Berechnen von Ähnlichkeit und Zuordnung alle Features mit übereinstimmenden Signifikanzniveaus innerhalb der Nachbarschaft als teilweise Übereinstimmungen betrachtet.

Long
num_perms
(optional)

Die Anzahl der Permutationen, die zum Schätzen der erwarteten Ähnlichkeits- und Kappa-Werte verwendet werden sollen. Bei einer größeren Anzahl der Simulationen nimmt die Genauigkeit der Schätzungen, aber auch die Berechnungszeit zu.

  • 99In der Analyse werden 99 Permutationen verwendet.
  • 199In der Analyse werden 199 Permutationen verwendet.
  • 499In der Analyse werden 499 Permutationen verwendet. Dies ist die Standardeinstellung.
  • 999In der Analyse werden 999 Permutationen verwendet.
  • 9999In der Analyse werden 9.999 Permutationen verwendet.
Long
weighting_method
(optional)

Gibt an, wie Ähnlichkeitsgewichtungen zwischen Signifikanzniveau-Kategorien definiert werden sollen. Ähnlichkeitsgewichtungen sind Zahlen zwischen 0 und 1, die die Kategorien des einen Ergebnisses definieren, von denen erwartet wird, dass sie mit den Kategorien des anderen Ergebnisses übereinstimmen. Der Wert 1 bedeutet, dass die Kategorien als exakt dasselbe betrachtet werden sollen, und der Wert 0 bedeutet, dass die Kategorien als etwas völlig anderes betrachtet werden sollen. Werte zwischen 0 und 1 geben den Grad der teilweisen Ähnlichkeit zwischen den Kategorien an. Zum Beispiel können 99 % signifikante Hot-Spots so behandelt werden, als wären sie anderen 99%-Hot-Spots absolut ähnlich, den 95%-Hot-Spots teilweise ähnlich und den 99%-Cold-Spots vollkommen unähnlich.

  • FUZZYÄhnlichkeitsgewichtungen sind Fuzzy-Werte (unscharfe nichtbinäre Werte) und werden durch die Nähezentralität der Signifikanzniveaus bestimmt. Zum Beispiel sind 99 % signifikante Hot-Spots anderen 99 % signifikanten Hot-Spots (Gewichtung = 1) absolut ähnlich, aber den 95 % signifikanten Hot-Spots (Gewichtung = 0,71) und den 90 % signifikanten Hot-Spots (Gewichtung = 0,55) teilweise ähnlich. Die Gewichtung zwischen 95 % signifikant und 90 % signifikant beträgt 0,78. Dann sind alle Hot-Spots allen Cold-Spots und nichtsignifikanten Features (Gewichtung = 0) vollkommen unähnlich. Dies ist die Standardeinstellung.
  • EXACT_MATCHDamit Features als ähnlich betrachtet werden, müssen sie dasselbe Signifikanzniveau haben. Zum Beispiel werden 99 % signifikante Hot-Spots so behandelt, als wären sie den 95 % und 90 % signifikanten Hot-Spots vollkommen unähnlich.
  • ABOVE_90Features, die 90 %, 95 % und 99 % signifikante Hot-Spots sind, werden so behandelt, als wären sie einander absolut ähnlich, und alle Features, die 90 %, 95 % und 99 % signifikante Cold-Spots sind, werden so behandelt, als wären sie einander absolut ähnlich. Bei dieser Option werden alle Features mit mindestens 90 % Signifikanz als identisch (statistisch signifikant) und alle Features unter 90 % Konfidenz als identisch (nichtsignifikant) behandelt. Diese Option wird empfohlen, wenn die Hot-Spot-Analyse bei einem Signifikanzniveau von 90 % durchgeführt werden soll.
  • ABOVE_95Features, die 95 % und 99 % signifikante Hot-Spots (oder Cold-Spots) sind, werden so behandelt, als wären sie absolut ähnlich, und Features, die 95 % und 99 % signifikante Cold-Spots sind, werden so behandelt, als wären sie absolut ähnlich. Zum Beispiel werden 90 % signifikante Hot-Spots und Cold-Spots so behandelt, als wären sie den Features höherer Signifikanzniveaus vollkommen unähnlich. Bei dieser Option werden alle Features mit mindestens 95 % Konfidenz als identisch (statistisch signifikant) und alle Features unter 95 % Konfidenz als identisch (nichtsignifikant) behandelt. Diese Option wird empfohlen, wenn die Hot-Spot-Analyse bei einem Signifikanzniveau von 95 % durchgeführt werden soll.
  • ABOVE_99Nur die Features, die 99 % signifikante Hot-Spots (oder Cold-Spots) sind, werden so behandelt, als wären sie einander absolut ähnlich. Bei dieser Option werden alle Features unter 99 % Signifikanz als nichtsignifikant behandelt. Diese Option wird empfohlen, wenn die Hot-Spot-Analyse bei einem Signifikanzniveau von 99 % durchgeführt werden soll.
  • CUSTOMDabei werden benutzerdefinierte Ähnlichkeitsgewichtungen verwendet, die im Parameter similarity_weights angegeben wurden.
  • TABLEÄhnlichkeitsgewichtungen zwischen Signifikanzniveaus werden durch eine Eingabetabelle definiert. Geben Sie die Tabelle im Parameter in_weights_table an.
  • REVERSEDabei werden die Standard-Fuzzy-Gewichtungen verwendet, aber die Hot-Spots des ersten Hot-Spot-Ergebnisses werden so behandelt, als wären sie den Cold-Spots des zweiten Hot-Spot-Ergebnisses ähnlich. Zum Beispiel werden 99 % signifikante Hot-Spots in dem einen Ergebnis so behandelt, als wären sie den 99%-Cold-Spots in dem anderen Ergebnis absolut ähnlich und den 95%- und 90%-Cold-Spots in dem anderen Ergebnis teilweise ähnlich. Diese Option wird empfohlen, wenn die Hot-Spot-Analysevariablen eine negative Beziehung haben. Zum Beispiel können Sie messen, wie eng Hot-Spots der Kindersterblichkeit mit Cold-Spots des Zugangs zur Gesundheitsversorgung korrespondieren.
String
similarity_weights
[similarity_weights,...]
(optional)

Die benutzerdefinierten Ähnlichkeitsgewichtungen zwischen Signifikanzniveau-Kategorien. Die Gewichtungen sind Werte zwischen 0 und 1 und geben an, wie ähnlich die zwei Kategorien behandelt werden sollen. Der Wert 0 gibt an, dass die Kategorien vollkommen unähnlich sind. Der Wert 1 gibt an, dass die Werte absolut ähnlich sind. Werte zwischen 0 und 1 geben an, dass die Kategorien teilweise ähnlich sind.

Value Table
in_weights_table
(optional)

Die Tabelle, in der benutzerdefinierte Ähnlichkeitsgewichtungen für jede Kombination aus Signifikanzniveau-Kategorien für Hot-Spots enthalten sind. Die Tabelle muss die Felder CATEGORY1, CATEGORY2 und WEIGHT enthalten. Geben Sie die Signifikanzniveau-Kategorien des Paares (die Werte des Feldes Gi_Bin der Eingabe-Layer) in den Kategoriefeldern und die Ähnlichkeitsgewichtung zwischen ihnen im Gewichtungsfeld an. Wenn eine Kombination in der Tabelle nicht angegeben ist, wird vorausgesetzt, dass die Gewichtung den Wert 0 hat.

Table View
exclude_nonsig_features
(optional)

Gibt an, ob Feature-Paare von den Vergleichen ausgeschlossen werden sollen, wenn beide Hot-Spot-Ergebnisse nichtsignifikant sind. Wenn solche Features ausgeschlossen sind, dann werden bedingte Ähnlichkeits- und Kappa-Werte berechnet, die nur die statistisch signifikanten Hot-Spots und Cold-Spots vergleichen. Das Ausschließen von Features wird empfohlen, wenn Sie nur daran interessiert sind, ob Hot-Spots und Cold-Spots der Eingabe-Layer ausgerichtet sind, und nicht daran, ob die nichtsignifikanten Bereiche ausgerichtet sind, wie zum Beispiel beim Vergleichen, ob die Hot-Spots und Cold-Spots des mittleren Einkommens mit den Hot-Spots und Cold-Spots des Zugangs zu Lebensmitteln korrespondieren.

  • EXCLUDENichtsignifikante Features werden ausgeschlossen, und die Vergleiche werden nur für statistisch signifikante Hot-Spots und Cold-Spots durchgeführt.
  • NO_EXCLUDENichtsignifikante Features werden eingeschlossen. Dies ist die Standardeinstellung.

Wenn in Signifikanzniveau-Kategorien eine Ähnlichkeitsgewichtung von 1 der nichtsignifikanten Kategorie zugewiesen wurde (womit angegeben wurde, dass diese Kategorie und die nichtsignifikante Kategorie identisch behandelt werden sollen), dann werden Features mit dieser Kategorie ebenfalls von den Vergleichen ausgeschlossen, wenn sie mit einem anderen nichtsignifikanten Feature ein Paar bilden.

Boolean

Abgeleitete Ausgabe

NameErläuterungDatentyp
SIM_VALUE

Der Wert der Ähnlichkeit zwischen den Hot-Spot-Ergebnissen.

Double
EXP_SIM_VALUE

Der erwartete Wert der Ähnlichkeit zwischen den Hot-Spot-Ergebnissen.

Double
KAPPA

Der Wert des räumlich angepassten Fuzzy-Kappa zwischen den Hot-Spot-Ergebnissen.

Double
output_layer_group

Ein Gruppen-Layer der Ausgabe-Layer.

Group Layer

Codebeispiel

HotSpotAnalysisComparison: Beispiel 1 (Python-Fenster)

Das folgende Python-Skript veranschaulicht, wie die Funktion HotSpotAnalysisComparison verwendet wird.


arcpy.stats.HotSpotAnalysisComparison("c:/data/boston.gdb/robbery_hotspot", 
      "c:/data/boston.gdb/social_disorder_hotspot", "robbery_disorder_comparison",
      8, 499, "FUZZY", None, None, "EXCLUDE")
HotSpotAnalysisComparison: Beispiel 2 (eigenständiges Skript)

Das folgende Python-Skript veranschaulicht, wie die Funktion HotSpotAnalysisComparison verwendet wird.


# Compare hot spot analysis results for robberies and social disorder.

# Import required modules.
import arcpy

# Set the workspace.
arcpy.env.workspace = "c:/data/boston.gdb"

# Create hot spot result for robberies in Boston.
robbery_hs = arcpy.stats.HotSpots(
    "boston_ecometrics_hex", "robbery", "robbery_hotspot",
     "K_NEAREST_NEIGHBORS", None, None, None, None, None, None, 8
)

# Create hot spot result of social disorder in Boston.
social_disorder_hs = arcpy.stats.HotSpots(
    "boston_ecometrics_hex", "scl_dsr", "social_disorder_hotspot", 
    "K_NEAREST_NEIGHBORS", None, None, None, None, None, None, 8
)

# Compare robbery and social disorder hot spot results.
try:
    hs_compare = arcpy.stats.HotSpotAnalysisComparison(
        robbery_hs, social_disorder_hs, "robbery_disorder_comparison", 8, 999, "FUZZY", 
        None, None, False
    )
except arcpy.ExecuteError:
    # If an error occurred when running the tool, print the error message.
    print(arcpy.GetMessages())

# Save similarity and kappa derived outputs.
result_vals = [hs_compare.getOutput(out) for out in range(hs_compare.outputCount)]

# Apply labels to derived outputs
results_names = ["output_fc", "similarity", "expected_similarity", "fuzzy_kappa", 
    "output_layer"]

# Combine to dictionary and print derived outputs.
results = dict(zip(results_names, result_vals))
results