Comparación entre análisis de puntos calientes (Estadística espacial)

Resumen

Compara dos capas de resultados de análisis de puntos calientes y mide su similitud y asociación.

La similitud y la asociación entre las capas de resultados de puntos calientes se determinan comparando las categorías de nivel de significancia entre las entidades correspondientes de ambas capas de entrada. La similitud mide cómo de ajustada es la alineación espacial de los puntos calientes, los puntos fríos y las áreas no significativas de ambos resultados de puntos calientes. La asociación (o dependencia) mide la solidez de la relación estadística subyacente entre las variables de puntos calientes (similar a la correlación de variables continuas).

Más información sobre cómo funciona la comparación de análisis de puntos calientes

Ilustración

Ilustración de la herramienta Comparación de análisis de puntos calientes
Se comparan dos capas de resultados de análisis de puntos calientes. Los tonos de naranja más intensos indican diferencias más grandes entre las capas.

Uso

  • Todas las comparaciones se llevan a cabo comparando las categorías de nivel de significancia (99% caliente, 95% caliente, 90% caliente, no significativo, 90% frío, 95% frío y 99% frío) entre las entidades correspondientes y sus vecinos en ambas capas de entrada. La similitud mide cómo de ajustada es la alineación espacial de los puntos calientes, los puntos fríos y las áreas no significativas de ambos resultados de puntos calientes. La asociación (o dependencia) mide la solidez de la relación estadística subyacente entre las variables de puntos calientes (similar a la correlación de variables continuas). La distinción entre la similitud y la asociación es importante porque es habitual que dos resultados de puntos calientes sean muy similares (muchas entidades correspondientes y sus vecinos tienen el mismo nivel de significancia), pero siguen teniendo poca asociación o dependencia. Significa que, a pesar de la similitud de los niveles de significancia, intentar influir en una variable (como los esfuerzos de mitigación) no producirá cambios en la otra variable. A menudo, los resultados muy similares, pero no asociados, ocurren cuando ambos resultados de puntos calientes están dominados por una única categoría, como no significativos, o cuando ambos resultados tienen grandes clústeres de entidades con el mismo nivel de significancia.

    La similitud entre los resultados de puntos calientes se mide mediante un valor de similitud entre 0 y 1. Si muchas entidades correspondientes de ambos resultados tienen el mismo nivel de significancia, el valor estará cerca de 1. Si muchas entidades correspondientes no tienen niveles de significancia coincidentes, el valor estará cerca de 0. La asociación se mide mediante un valor kappa: los resultados estrechamente asociados tendrán valores kappa cercanos a 1 y los resultados no asociados (independientes) tendrán valores kappa cercanos a 0 (o ligeramente negativos). El valor kappa es una versión reescalada del valor de similitud que tiene en cuenta el clustering espacial y las frecuencias de categoría para aislar la asociación estadística entre los resultados de puntos calientes. Ambos valores utilizan la pertenencia a conjuntos difusos para permitir coincidencias parciales entre entidades correspondientes en función de la similitud del nivel de significancia y las vecindades espaciales. Por ejemplo, el 99% de los puntos calientes se pueden considerar coincidencias perfectas con otro 99% de puntos calientes, coincidencias parciales con el 95% de puntos calientes y falta de coincidencia total con el 99% de puntos fríos. Dos entidades correspondientes también pueden considerarse coincidencias parciales si las entidades en sí no tienen el mismo nivel de significancia, pero sus entidades vecinas sí los tienen.

    La herramienta calcula una similitud global y un valor kappa global para medir la similitud y la asociación generales entre los resultados de puntos calientes y las versiones locales también se calculan para cada par de entidades correspondientes. Así, puede asignar las comparaciones para explorar áreas con una similitud o asociación mayor o menor que los valores globales. Las entidades de salida también incluyen gráficos y simbología personalizada que resaltan las áreas en las que los resultados de puntos calientes son menos similares y resumen los pares de nivel de significancia de todas las entidades correspondientes.

  • Los valores de los parámetros Resultado de punto caliente de entrada 1 y Resultado de punto caliente de entrada 2 deben ser las entidades de salida de las herramientas Análisis de puntos calientes (Gi* de Getis-Ord) o Análisis de puntos calientes optimizado. Cada entidad de cada resultado debe estar emparejada con una sola entidad del otro resultado para poder comparar sus categorías de nivel de significancia. Si las entidades de los dos resultados de puntos calientes de entrada no se alinean espacialmente (como los polígonos que no tienen los mismos bordes), las dos capas de entidades se intersecarán antes del análisis y las comparaciones se realizarán en las intersecciones de las entidades. Tenga cuidado cuando los dos resultados de puntos calientes sean polígonos de diferentes tamaños porque la intersección subdividirá polígonos grandes en muchos polígonos más pequeños y cambiará las frecuencias de las categorías del nivel de significancia. Se requieren al menos 20 intersecciones de entidades para utilizar la herramienta.

  • Los resultados de las comparaciones se devuelven mediante mensajes de geoprocesamiento, una capa de grupo de la clase de entidad de salida y gráficos.

    Los mensajes muestran información sobre comparaciones generales entre los resultados de puntos calientes. Los mensajes muestran la siguiente información:

    • Valor de similitud: un valor entre 0 y 1 que mide la similitud general entre las capas de resultados de puntos calientes. El valor se puede interpretar como una probabilidad difusa de que cualquier par de entidades correspondientes tenga la misma categoría de nivel de significancia.
    • Valor de similitud esperado: el valor esperado de la similitud bajo la suposición de que las dos capas de resultados de puntos calientes no están asociadas (independientes). Un valor de similitud mayor de lo previsto sugiere una dependencia subyacente entre los dos mapas. El valor es principalmente informativo y se utiliza para escalar el valor de similitud al calcular el valor kappa. El valor se calcula emparejando cada entidad con entidades aleatorias en el otro resultado de puntos calientes y calculando la similitud. Al emparejar cada entidad con entidades aleatorias (en lugar de su entidad correspondiente), el valor esperado se ajusta espacialmente para tener en cuenta la agrupación espacial y las frecuencias de categoría en ambos resultados de puntos calientes. El parámetro Número de permutaciones especifica el número de emparejamientos aleatorios de cada entidad y el valor de similitud esperado es el promedio de los valores de similitud de las permutaciones.
    • Kappa difusos espaciales: medida de la asociación entre las variables de análisis de puntos calientes que se calcula escalando el valor de similitud según el valor esperado. Los resultados de puntos calientes que estén perfectamente asociados tendrán el valor 1 y los resultados no asociados (independientes) tendrán un valor cercano a 0. Los valores negativos indican una relación negativa entre las variables de análisis de puntos calientes. Si bien el valor no tiene límite inferior, los valores rara vez son menores que -3 en la práctica.
    • Resúmenes de los pesos entre cada par de nivel de significancia de puntos calientes.
    • Tablas de mensajes que muestran recuentos y porcentajes de cada par de nivel de significancia de puntos calientes. En las tablas, los recuentos y porcentajes de los niveles de significancia de la segunda capa de resultados de puntos calientes se dividen en las categorías de la primera capa de resultados. Por ejemplo, entre el 90% de puntos calientes significativos de la primera capa de resultados, puede ver el recuento y porcentaje que también eran un 90% de puntos calientes significativos en la segunda capa de resultados, junto con los recuentos y porcentajes para el resto de categorías de nivel de significancia. Esto resulta especialmente útil cuando los dos resultados de puntos calientes representan la misma variable medida en diferentes momentos. En este caso, la tabla le permite ver cómo se realizó la transición de las categorías en el tiempo entre las mediciones.

    Las entidades de salida contienen campos del valor de similitud, valor de similitud esperado, valor kappa y categorías de nivel de significancia de cada par de entidades correspondientes. Cuando la herramienta se ejecuta en un mapa, se agregarán tres capas a una capa de grupo que le permite explorar e investigar la similitud, la asociación y los pares de nivel de significancia espacialmente. La primera capa muestra los valores de similitud clasificados en cinco intervalos equivalentes entre 0 y 1 y los valores de similitud más bajos están en colores más oscuros para enfatizar las áreas menos similares. La segunda capa muestra los valores kappa difusos espaciales simbolizados con intervalos equivalentes y seis clases. La tercera capa muestra cada combinación de nivel de significancia con simbología personalizada para identificar las entidades donde el resultado de un punto caliente de entrada era un punto caliente estadísticamente significativo y el otro era un punto frío estadísticamente significativo (en la simbología personalizada, 90%, 95% y 99% de significancia no se distingue para reducir el número de combinaciones).

    La capa final también tiene un gráfico de calor y un gráfico de barras personalizado para investigar más a fondo los pares de nivel de significancia. Estos gráficos muestran la misma información que las tablas de los mensajes, pero los gráficos están coloreados por los recuentos y porcentajes para facilitar la interpretación. También puede utilizar selecciones entre los gráficos y el mapa para, por ejemplo, seleccionar todas las entidades que fueron un 99% de puntos calientes en un resultado y un 99% de puntos fríos en el otro, lo que indica las mayores diferencias posibles.

    Más información sobre las salidas de las herramientas

  • El parámetro Método de ponderación de similitud define la similitud entre cada combinación de categorías de niveles de significancia mediante la pertenencia a un conjunto difuso. Cada peso es un valor entre 0 y 1 que indica la similitud con la que se tratarán las categorías al realizar comparaciones. Por ejemplo, puede definir un peso de 0,75 entre las categorías de 99% caliente y 95% caliente para indicar que no son exactamente iguales, pero son más similares que diferentes.

    La opción de Pesos difusos predeterminados pondera las categorías por la cercanía del nivel de significancia (determinada por ratios de valores críticos). Otras opciones le permiten combinar categorías asignando un valor de peso de 1 entre ellas. Por ejemplo, la opción Combinar 95% y 99% de significancia combina el 99% caliente y 95% caliente en una única categoría, combina el 99% frío y 95% frío y combina el 90% caliente, no significativo y 90% frío. Esta opción trata todos los puntos calientes (o fríos) con el 95% de significancia o superior como iguales (estadísticamente significativos) y todas las entidades por debajo del 95% de significancia como iguales (no estadísticamente significativas). Resulta útil si pretende realizar análisis de puntos calientes con un nivel de significancia del 95% y desea tratar todos los puntos calientes y fríos con una significancia del 90% como si no fueran significativos. La opción Invertir relaciones de calientes y fríos asigna grandes pesos de similitud entre puntos calientes y fríos. Por ejemplo, el 99% de puntos calientes se considera perfectamente similar al 99% de puntos fríos y completamente distinto de otros 99% de puntos calientes. Esta opción resulta útil para medir la similitud y asociación entre variables que tienen una relación negativa, como comparar puntos calientes de mortalidad infantil con puntos fríos de mediana de ingresos.

    La opción Pesos personalizados permite definir pesos de similitud personalizados para fusionar categorías y definir sus preferencias. Puede proporcionar los pesos personalizados en el parámetro Pesos de similitud personalizados. El parámetro se muestra como una matriz emergente con las combinaciones de nivel de significancia de 49 (7 x 7). Para especificar un peso entre un par de categorías, escriba el valor en la celda asociada y pulse Intro. Puede exportar los pesos personalizados a una tabla desde el cuadro de diálogo emergente para que se puedan volver a utilizar más tarde con la opción Obtener pesos desde tabla.

    Nota:

    Los pesos de similitud solo afectan al cálculo de los valores de similitud y kappa. Incluso si las categorías de nivel de significancia se combinan utilizando pesos de similitud, las tablas de mensajes, la simbología de la capa de salida y los gráficos los tratarán como categorías separadas.

    Más información sobre la similitud categórica

  • Si las proporciones grandes de cada resultado de puntos calientes no son significativas, el valor de similitud será mayor debido a la coincidencia de áreas no significativas. Sin embargo, si las entidades no significativas no son de interés para la investigación, es posible que no desee que los valores de similitud y kappa solo reflejen la abundancia de áreas no significativas en ambos resultados. Puede utilizar el parámetro Excluir entidades no significativas para excluir cualquier par de entidades correspondientes de las comparaciones si ambos resultados de puntos calientes no son estadísticamente significativos. Si se excluye, la herramienta calcula los valores de similitud y kappa condicionales que comparan solo los puntos calientes y fríos estadísticamente significativos. Al excluir las entidades no significativas de los cálculos, puede calcular los valores de similitud y kappa solo entre los puntos calientes y fríos estadísticamente significativos para reflejar con precisión su similitud y asociación.

    Nota:

    Si se combina alguna categoría de nivel de significancia con la categoría no significativa al proporcionar un peso de similitud relativo de 1, esas categorías también se excluirán de las comparaciones.

  • Si cualquiera de las capas de resultados de puntos calientes de entrada contiene polígonos superpuestos, las superposiciones formarán una intersección dentro de entidades nuevas. Esto puede dar lugar a valores de similitud que sean distintos de 1 incluso para capas de resultados con categorías de nivel de significancia idénticas. Utilice el entorno Tolerancia XY para eliminar superposiciones no deseadas, como errores de geocodificación. Se recomienda revisar el número de entidades de las entidades de salida para determinar si hay más intersecciones de las previstas.

  • El parámetro Cantidad de vecinos especifica el número de entidades vecinas adicionales que se utilizarán para la similitud de la distancia. Al igual que con el método de ponderación de similitud, la similitud de distancia permite coincidencias parciales cuando las propias entidades no tienen el mismo nivel de significancia, pero otras entidades de su vecindad sí tienen niveles de significancia coincidentes. Debido a que el análisis de puntos calientes es un método espacial que utiliza vecindades locales, el nivel de significancia de cada entidad es una caracterización de los valores de la entidad y sus vecinos más cercanos, no solo la entidad. En este sentido, si alguna entidad vecina es similar, debería contribuir de algún modo a la similitud de sus vecinos.

    La similitud parcial a través de los vecinos se incorpora utilizando un peso de distancia basado en el orden de los vecinos. La entidad recibe un peso de distancia de 1 y los pesos disminuyen de forma sistemática para cada vecino adicional. La similitud general entre dos entidades cualesquiera es su similitud categórica (del método de ponderación de similitud) multiplicada por su similitud de distancia.

    Más información sobre la similitud de distancia y la ponderación de vecinos

  • Cambiar el orden de los resultados de puntos calientes de entrada no afectará a los valores de similitud, pero los valores de similitud y kappa esperados cambiarán ligeramente debido a la aleatoriedad de las permutaciones. Los ejes de las tablas y los gráficos del mensaje también se invertirán, lo que facilitará la interpretación en algunos casos. Dado que los mensajes y los gráficos muestran las categorías de nivel de significancia del segundo resultado de puntos calientes desglosadas por categorías del primer resultado, en su lugar puede mostrar las categorías del primer resultado desglosadas por categorías del segundo resultado, invirtiendo el orden de las capas de entrada.

Parámetros

EtiquetaExplicaciónTipo de datos
Resultado de punto caliente de entrada 1

La primera capa de resultados del análisis de puntos calientes.

Feature Layer
Resultado de punto caliente de entrada 2

La segunda capa de resultados del análisis de puntos calientes.

Feature Layer
Entidades de salida

La clase de entidad de salida que contendrá las medidas locales de similitud y asociación.

Feature Class
Cantidad de vecinos
(Opcional)

El número de vecinos alrededor de cada entidad que se utilizará para la ponderación de la distancia. La ponderación de la distancia es un componente de la similitud global y cualquier entidad con niveles de significancia coincidentes dentro de la vecindad se considerará coincidencia parcial al calcular la similitud y la asociación.

Long
Número de permutaciones
(Opcional)

El número de permutaciones que se utilizarán para estimar los valores de similitud y kappa esperados. Un mayor número de simulaciones aumentará la precisión de las estimaciones, pero también aumentará el tiempo de cálculo.

  • 99El análisis utilizará 99 permutaciones.
  • 199El análisis utilizará 199 permutaciones.
  • 499El análisis utilizará 499 permutaciones. Esta es la opción predeterminada.
  • 999El análisis utilizará 999 permutaciones.
  • 9999El análisis utilizará 9999 permutaciones.
Long
Método de ponderación de similitud
(Opcional)

Especifica cómo se definirán los pesos de similitud entre las categorías del nivel de significancia. Los pesos de similitud son números entre 0 y 1 que definen las categorías de un resultado que se espera que coincidan con las categorías del otro resultado. Un valor de 1 indica que las categorías se considerarán exactamente iguales, y un valor de 0 indica que las categorías se considerarán completamente diferentes. Los valores entre 0 y 1 indican grados de similitud parcial entre las categorías. Por ejemplo, un 99% de puntos calientes significativos se puede considerar perfectamente similar a otro 99% de puntos calientes, parcialmente similares a un 95% de puntos calientes y completamente distintos a un 99% de puntos fríos.

  • Pesos difusosLos pesos de similitud serán difusos (no binarios) y se determinarán por la cercanía de los niveles de significancia. Por ejemplo, un 99% de puntos calientes significativos será perfectamente similar a otro 99% de puntos calientes significativos (peso = 1), pero serán parcialmente similares a un 95% de puntos calientes significativos (peso = 0,71) y un 90% de puntos calientes significativos (peso = 0,55). El peso entre el 95% de significancia y el 90% de significancia es 0,78. Todos los puntos calientes serán totalmente diferentes a todos los puntos fríos y entidades no significativas (peso = 0). Esta es la opción predeterminada.
  • Coincidencia de nivel de significancia exactaLas entidades deben tener el mismo nivel de significancia para que se consideren similares. Por ejemplo, un 99% de puntos calientes significativos se considerará completamente diferente a un 95% y 90% de puntos calientes significativos.
  • Combinar 90%, 95% y 99% de significanciaLas entidades que sean 90%, 95% y 99% de puntos calientes significativos se considerarán perfectamente similares entre sí, y todas las entidades que sean 90%, 95% y 99% de puntos fríos significativos se considerarán perfectamente similares entre sí. Esta opción trata todas las entidades con el 90% de significancia o superior como iguales (estadísticamente significativas) y todas las entidades por debajo del 90% de confianza como iguales (no significativas). Esta opción se recomienda cuando los análisis de puntos calientes se realizaron a un nivel de significancia del 90%.
  • Combinar 95% y 99% de significanciaLas entidades que sean 95% y 99% de puntos calientes (o fríos) significativos se considerarán perfectamente similares, y las entidades que sean 95% y 99% de puntos fríos significativos se considerarán perfectamente similares. Por ejemplo, el 90% de puntos calientes y fríos significativos se considerarán completamente diferentes a niveles de significancia mayores. Esta opción trata todas las entidades con el 95% de confianza o superior como iguales (estadísticamente significativas) y todas las entidades por debajo del 95% de confianza como iguales (no significativas). Esta opción se recomienda cuando los análisis de puntos calientes se realizaron a un nivel de significancia del 95%.
  • Utilizar solo 99% de significanciaSolo las entidades que sean un 99% de puntos calientes (o fríos) significativos se considerarán perfectamente similares entre sí. Esta opción trata todas las entidades por debajo del 99% de significancia como no significativas. Esta opción se recomienda cuando los análisis de puntos calientes se realizaron a un nivel de significancia del 99%.
  • Pesos personalizadosSe utilizarán pesos de similitud personalizados proporcionados en el parámetro Pesos de similitud de categoría.
  • Obtener pesos desde tablaLos pesos de similitud entre los niveles de significancia se definirán mediante una tabla de entrada. Proporcione la tabla en el parámetro Tablas de pesos de entrada.
  • Invertir relaciones de calientes y fríosSe utilizarán los pesos difusos predeterminados, pero los puntos calientes del primer resultado de puntos calientes se considerarán similares a los puntos fríos del segundo punto caliente. Por ejemplo, un 99% de puntos calientes significativos en un resultado se considerará perfectamente similar a un 99% de puntos fríos en el otro resultado y parcialmente similar a un 95% y 90% de puntos fríos en el otro resultado. Esta opción se recomienda cuando las variables de análisis de puntos calientes tienen una relación negativa. Por ejemplo, es posible medir la cercanía con la que los puntos calientes de mortalidad infantil se corresponden con puntos fríos de acceso a servicios sanitarios.
String
Pesos de similitud de categoría
(Opcional)

Los pesos de similitud personalizados entre categorías de nivel de significancia. Los pesos son valores entre 0 y 1 e indican con cuánta similitud considerar las dos categorías. Un valor de 0 indica que las categorías son totalmente diferentes, un valor de 1 indica que las categorías son perfectamente similares, y los valores entre 0 y 1 indican que las categorías son parcialmente similares. En la ventana emergente de la matriz de ponderaciones, haga clic en una celda, escriba el valor de peso y pulse Intro para aplicar el peso.

Value Table
Tabla de pesos de entrada
(Opcional)

La tabla que contiene los pesos de similitud personalizados para cada combinación de categorías de nivel de significancia de puntos calientes. La tabla debe contener los campos CATEGORY1, CATEGORY2 y WEIGHT. Proporcione las categorías del nivel de significancia del par (los valores de campo Gi_Bin de las capas de entrada) en los campos de categoría y el peso de similitud entre ellos en el campo de peso. Si no se proporciona una combinación en la tabla, se asume que el peso de la combinación es 0.

Table View
Excluir entidades no significativas
(Opcional)

Especifica si los pares de entidades se excluirán de las comparaciones si ambos resultados de puntos calientes son no significativos. Si se excluyen, se calcularán los valores de similitud y kappa condicionales que comparan solo los puntos calientes y fríos estadísticamente significativos. Se recomienda excluir entidades si solo le interesa saber si los puntos calientes y fríos de las capas de entrada se alinean, no si las áreas no significativas se alinean, por ejemplo, comparar si los puntos calientes y fríos de la mediana de ingresos se corresponden con los puntos calientes y fríos de acceso a alimentos.

  • Activado: se excluirán las entidades no significativas, y las comparaciones serán condicionales en puntos calientes y fríos estadísticamente significativos.
  • Desactivado: se incluirán entidades no significativas. Esta es la opción predeterminada.

Si a alguna categoría de nivel de significancia se le asigna un peso de similitud de 1 a la categoría no significativa (lo que indica que la categoría se tratará igual que la categoría no significativa), las entidades con esa categoría también se excluirán de las comparaciones si están emparejadas a otra entidad no significativa.

Boolean

Salida derivada

EtiquetaExplicaciónTipo de datos
Valor de similitud global

El valor de similitud entre los resultados de puntos calientes.

Double
Valor de similitud esperado global

El valor esperado de la similitud entre los resultados de puntos calientes.

Double
Kappa difusos espaciales globales

El valor kappa difuso ajustado espacialmente entre los resultados de puntos calientes.

Double
Grupo de capas de salida

Una capa de grupo de las capas de salida.

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})
NombreExplicaciónTipo de datos
in_hot_spot_1

La primera capa de resultados del análisis de puntos calientes.

Feature Layer
in_hot_spot_2

La segunda capa de resultados del análisis de puntos calientes.

Feature Layer
out_features

La clase de entidad de salida que contendrá las medidas locales de similitud y asociación.

Feature Class
num_neighbors
(Opcional)

El número de vecinos alrededor de cada entidad que se utilizará para la ponderación de la distancia. La ponderación de la distancia es un componente de la similitud global y cualquier entidad con niveles de significancia coincidentes dentro de la vecindad se considerará coincidencia parcial al calcular la similitud y la asociación.

Long
num_perms
(Opcional)

El número de permutaciones que se utilizarán para estimar los valores de similitud y kappa esperados. Un mayor número de simulaciones aumentará la precisión de las estimaciones, pero también aumentará el tiempo de cálculo.

  • 99El análisis utilizará 99 permutaciones.
  • 199El análisis utilizará 199 permutaciones.
  • 499El análisis utilizará 499 permutaciones. Esta es la opción predeterminada.
  • 999El análisis utilizará 999 permutaciones.
  • 9999El análisis utilizará 9999 permutaciones.
Long
weighting_method
(Opcional)

Especifica cómo se definirán los pesos de similitud entre las categorías del nivel de significancia. Los pesos de similitud son números entre 0 y 1 que definen las categorías de un resultado que se espera que coincidan con las categorías del otro resultado. Un valor de 1 indica que las categorías se considerarán exactamente iguales, y un valor de 0 indica que las categorías se considerarán completamente diferentes. Los valores entre 0 y 1 indican grados de similitud parcial entre las categorías. Por ejemplo, un 99% de puntos calientes significativos se puede considerar perfectamente similar a otro 99% de puntos calientes, parcialmente similares a un 95% de puntos calientes y completamente distintos a un 99% de puntos fríos.

  • FUZZYLos pesos de similitud serán difusos (no binarios) y se determinarán por la cercanía de los niveles de significancia. Por ejemplo, un 99% de puntos calientes significativos será perfectamente similar a otro 99% de puntos calientes significativos (peso = 1), pero serán parcialmente similares a un 95% de puntos calientes significativos (peso = 0,71) y un 90% de puntos calientes significativos (peso = 0,55). El peso entre el 95% de significancia y el 90% de significancia es 0,78. Todos los puntos calientes serán totalmente diferentes a todos los puntos fríos y entidades no significativas (peso = 0). Esta es la opción predeterminada.
  • EXACT_MATCHLas entidades deben tener el mismo nivel de significancia para que se consideren similares. Por ejemplo, un 99% de puntos calientes significativos se considerará completamente diferente a un 95% y 90% de puntos calientes significativos.
  • ABOVE_90Las entidades que sean 90%, 95% y 99% de puntos calientes significativos se considerarán perfectamente similares entre sí, y todas las entidades que sean 90%, 95% y 99% de puntos fríos significativos se considerarán perfectamente similares entre sí. Esta opción trata todas las entidades con el 90% de significancia o superior como iguales (estadísticamente significativas) y todas las entidades por debajo del 90% de confianza como iguales (no significativas). Esta opción se recomienda cuando los análisis de puntos calientes se realizaron a un nivel de significancia del 90%.
  • ABOVE_95Las entidades que sean 95% y 99% de puntos calientes (o fríos) significativos se considerarán perfectamente similares, y las entidades que sean 95% y 99% de puntos fríos significativos se considerarán perfectamente similares. Por ejemplo, el 90% de puntos calientes y fríos significativos se considerarán completamente diferentes a niveles de significancia mayores. Esta opción trata todas las entidades con el 95% de confianza o superior como iguales (estadísticamente significativas) y todas las entidades por debajo del 95% de confianza como iguales (no significativas). Esta opción se recomienda cuando los análisis de puntos calientes se realizaron a un nivel de significancia del 95%.
  • ABOVE_99Solo las entidades que sean un 99% de puntos calientes (o fríos) significativos se considerarán perfectamente similares entre sí. Esta opción trata todas las entidades por debajo del 99% de significancia como no significativas. Esta opción se recomienda cuando los análisis de puntos calientes se realizaron a un nivel de significancia del 99%.
  • CUSTOMSe utilizarán los pesos de similitud personalizados proporcionados en el parámetro similarity_weights.
  • TABLELos pesos de similitud entre los niveles de significancia se definirán mediante una tabla de entrada. Proporcione la tabla en el parámetro in_weights_table.
  • REVERSESe utilizarán los pesos difusos predeterminados, pero los puntos calientes del primer resultado de puntos calientes se considerarán similares a los puntos fríos del segundo punto caliente. Por ejemplo, un 99% de puntos calientes significativos en un resultado se considerará perfectamente similar a un 99% de puntos fríos en el otro resultado y parcialmente similar a un 95% y 90% de puntos fríos en el otro resultado. Esta opción se recomienda cuando las variables de análisis de puntos calientes tienen una relación negativa. Por ejemplo, es posible medir la cercanía con la que los puntos calientes de mortalidad infantil se corresponden con puntos fríos de acceso a servicios sanitarios.
String
similarity_weights
[similarity_weights,...]
(Opcional)

Los pesos de similitud personalizados entre categorías de nivel de significancia. Los pesos son valores entre 0 y 1 e indican con cuánta similitud considerar las dos categorías. Un valor de 0 indica que las categorías son totalmente diferentes, un valor de 1 indica que las categorías son perfectamente similares, y los valores entre 0 y 1 indican que las categorías son parcialmente similares.

Value Table
in_weights_table
(Opcional)

La tabla que contiene los pesos de similitud personalizados para cada combinación de categorías de nivel de significancia de puntos calientes. La tabla debe contener los campos CATEGORY1, CATEGORY2 y WEIGHT. Proporcione las categorías del nivel de significancia del par (los valores de campo Gi_Bin de las capas de entrada) en los campos de categoría y el peso de similitud entre ellos en el campo de peso. Si no se proporciona una combinación en la tabla, se asume que el peso de la combinación es 0.

Table View
exclude_nonsig_features
(Opcional)

Especifica si los pares de entidades se excluirán de las comparaciones si ambos resultados de puntos calientes son no significativos. Si se excluyen, se calcularán los valores de similitud y kappa condicionales que comparan solo los puntos calientes y fríos estadísticamente significativos. Se recomienda excluir entidades si solo le interesa saber si los puntos calientes y fríos de las capas de entrada se alinean, no si las áreas no significativas se alinean, por ejemplo, comparar si los puntos calientes y fríos de la mediana de ingresos se corresponden con los puntos calientes y fríos de acceso a alimentos.

  • EXCLUDESe excluirán las entidades no significativas, y las comparaciones serán condicionales en puntos calientes y fríos estadísticamente significativos.
  • NO_EXCLUDESe incluirán entidades no significativas. Esta es la opción predeterminada.

Si a alguna categoría de nivel de significancia se le asigna un peso de similitud de 1 a la categoría no significativa (lo que indica que la categoría se tratará igual que la categoría no significativa), las entidades con esa categoría también se excluirán de las comparaciones si están emparejadas a otra entidad no significativa.

Boolean

Salida derivada

NombreExplicaciónTipo de datos
SIM_VALUE

El valor de similitud entre los resultados de puntos calientes.

Double
EXP_SIM_VALUE

El valor esperado de la similitud entre los resultados de puntos calientes.

Double
KAPPA

El valor kappa difuso ajustado espacialmente entre los resultados de puntos calientes.

Double
output_layer_group

Una capa de grupo de las capas de salida.

Group Layer

Muestra de código

Ejemplo 1 de HotSpotAnalysisComparison (ventana de Python)

En el siguiente script de Python se muestra cómo utilizar la función HotSpotAnalysisComparison.


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")
Ejemplo 2 de HotSpotAnalysisComparison (script independiente)

En el siguiente script de Python se muestra cómo utilizar la función HotSpotAnalysisComparison.


# 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