Este documento proporciona información adicional sobre los parámetros de la herramienta y ofrece vocabulario y conceptos esenciales que son importantes cuando se analizan los datos con las herramientas de estadística espacial. Utilice este documento como referencia cuando necesite información adicional sobre los parámetros de la herramienta.
Nota:
- Las herramientas en la caja de herramientas Estadística espacial no funcionan directamente con capas de eventos XY. Utilice Copiar entidades para convertir primero los datos de eventos XY en una clase de entidad antes de ejecutar el análisis.
- Al utilizar shapefiles tenga en cuenta que no pueden almacenar valores nulos. Las herramientas u otros procedimientos que crean shapefiles a partir de entradas sin shapefiles pueden almacenar o interpretar valores nulos como cero. En algunos casos, los nulos se almacenan como valores negativos muy grandes en shapefiles. Esto puede ocasionar resultados inesperados. Consulte Consideraciones de geoprocesamiento para la salida del shapefile para obtener más información.
Conceptualización de relaciones espaciales
Una diferencia importante entre las estadísticas espaciales y tradicionales (no espaciales) es que las estadísticas espaciales integran relaciones espaciales y espacio directamente en sus operaciones matemáticas. Por consiguiente, muchas de las herramientas de la caja de herramientas Estadística espacial requieren que usted seleccione un valor para el parámetro Conceptualización de relaciones espaciales antes del análisis. Las conceptualizaciones comunes incluyen distancia inversa, tiempo de viaje, distancia fija, vecinos K más próximos y contigüidad. La conceptualización de las relaciones espaciales que utiliza dependerá de lo que mida. Si mide el clustering de una especie de planta en particular que se reproduce mediante la semilla, por ejemplo, la distancia inversa probablemente sea la más apropiada. Sin embargo, si evalúa la distribución geográfica de los viajeros de una región, el tiempo de viaje o el coste de viaje pueden ser mejor opción para describir esas relaciones espaciales. Para algunos análisis, el espacio y el tiempo pueden ser menos importantes que los conceptos más abstractos como la familiaridad (cuanto más familiar sea algo, más cerca estará funcionalmente) o la interacción espacial (hay muchas más llamadas telefónicas, por ejemplo, entre Los Ángeles y Nueva York que entre Nueva York y una ciudad más pequeña cercana a Nueva York, como Poughkeepsie; algunos pueden sostener que Los Ángeles y Nueva York están más cerca funcionalmente).
La herramienta Clustering multivariante restringido espacialmente contiene un parámetro denominado Restricciones espaciales, y a pesar de que las opciones del parámetro son similares a las que se describen para el parámetro Conceptualización de relaciones espaciales, se utilizan de forma diferente. Cuando se impone una restricción espacial, solo las entidades que comparten al menos un vecino (según lo definido por la contigüidad, las relaciones de vecino más cercano o los métodos de triangulación), pueden pertenecen al mismo grupo. Se incluye información adicional y ejemplos en Cómo funciona el Clustering multivariante restringido espacialmente.
A continuación, se describen las opciones para el parámetro Conceptualización de relaciones espaciales. La opción que selecciona determina las relaciones de vecino para las herramientas que evalúan cada entidad dentro del contexto de las entidades vecinas. Estas herramientas incluyen las herramientas Autocorrelación espacial (I de Moran global), Análisis de punto caliente (Gi* de Getis-Ord) y Análisis de clúster y de valor atípico (I Anselin local de Moran). Tenga en cuenta que algunas de estas opciones solo están disponibles si se utiliza la herramienta Generar matriz de ponderaciones espaciales.
Distancia inversa, distancia inversa cuadrada (Impedancia)
Con las opciones de distancia inversa, el modelo conceptual de las relaciones espaciales es uno de impedancia o disminución de la distancia. Todas las entidades afectan o influyen en el resto de entidades, pero cuanto más lejos esté algo, menor impacto tendrá. Por lo general deseará especificar un valor Banda de distancia o distancia de umbral cuando utiliza una conceptualización de distancia inversa para reducir el número de cómputos requeridos, especialmente con grandes datasets. Cuando no se especifica banda de distancia o distancia de umbral, se calcula un valor de umbral predeterminado. Puede forzar todas las entidades para que sean vecinas de las demás entidades al configurar la Banda de distancia o distancia de umbral en cero.
La distancia Euclidiana inversa es apropiada para modelar datos continuos como, por ejemplo, variaciones de temperatura. Es posible que la distancia de Manhattan inversa funcione mejor cuando los análisis cuentan con las ubicaciones de tiendas de hardware u otras instalaciones urbanas fijas, como cuando los datos de red de carreteras no están disponibles. El modelo conceptual cuando utiliza la opción Distancia inversa cuadrada es el mismo que con Distancia inversa, salvo que la pendiente es más nítida, por lo que las influencias de vecinos caen más rápidamente y solo los vecinos más cercanos de la entidad de destino ejercerán una influencia sustancial en los cálculos de dicha entidad.
Banda de distancia (esfera de influencia)
Para algunas herramientas, como Análisis de puntos calientes, una banda de distancia fija es la Conceptualización de relaciones espaciales predeterminada. Con la opción Banda de distancia fija, impone una esfera de influencia o modelo conceptual de ventana en movimiento de las interacciones espaciales en los datos. Cada entidad se analiza dentro del contexto de esas entidades vecinas ubicadas dentro de la distancia que especifica para la Banda de distancia o distancia de umbral. Los vecinos dentro de la distancia especificada se ponderan por igual. Las entidades fuera de la distancia especificada no influyen en los cálculos (su peso es cero). Utilice el método Banda de distancia fija cuando desee evaluar las propiedades estadísticas de sus datos en una escala espacial (fija) particular. Si estudia los patrones de viajes y sabe que el viaje promedio para trabajar es de 15 millas, por ejemplo, es posible que desee utilizar una distancia fija de 15 millas para su análisis. Consulte Seleccionar una distancia fija para ver las estrategias que pueden ayudarle a identificar una escala apropiada de análisis.
Zona de indiferencia
La opción de Zona de indiferencia del parámetro Conceptualización de relaciones espaciales combina los modelos Banda de distancia fija y Distancia inversa. Las entidades dentro de la banda de distancia o distancia de umbral se incluyen en los análisis para la entidad de destino. Una vez que se excede la distancia crítica, el nivel de influencia (la ponderación) cae rápidamente. Supongamos que está buscando trabajo y tiene la opción entre un trabajo a 5 millas y otro trabajo a 6 millas. Probablemente no pensará mucho sobre la distancia al tomar la decisión sobre qué trabajo tomar. Ahora, supongamos que tiene la opción entre un trabajo a 5 millas y otro a 20 millas. En este caso, la distancia se convierte más en una impedancia y se puede tener en cuenta en la toma de decisiones. Utilice este método cuando desea mantener la escala de análisis fija pero no desea imponer límites nítidos en las entidades vecinas incluidas en los cálculos de la entidad de destino.
Contigüidad de polígono (primer orden)
Para las clases de entidad poligonal, puede elegir Solo bordes de contigüidad (a veces llamado Caso del Rook) o Bordes o esquinas de contigüidad (que a veces se denomina Caso de la Reina). Para Solo bordes de contigüidad, los polígonos que comparten un borde (que tienen límites coincidentes) se incluyen en los cálculos para el polígono de destino. Los polígonos que no comparten un borde se excluyen de los cálculos de la entidad de destino. Para Bordes o esquinas de contigüidad, los polígonos que comparten un borde o una esquina se incluirán en los cómputos para el polígono de destino. Si cualquier porción de dos polígonos se superponen, se consideran vecinos y se incluirán en los cálculos entre sí. Utilice una de estas conceptualizaciones de contigüidad con entidades poligonales en casos donde modela algún tipo de proceso contagioso o trata con datos continuos representados como polígonos.
K vecinos más próximos
Las relaciones de vecino también se pueden construir de manera que cada entidad se evalúe dentro del contexto espacial de un número especificado de vecinos más cercanos. Si K (el número de vecinos) es 8, los ocho vecinos más cercanos a la entidad de destino se incluirán en los cómputos para esa entidad. En las ubicaciones donde la densidad de la entidad es alta, el contexto espacial del análisis será más pequeño. Del mismo modo, en las ubicaciones donde la densidad de la entidad es escasa, el contexto espacial para el análisis será más grande. Una ventaja para este modelo de relaciones espaciales es que asegura que habrá algunos vecinos para cada entidad de destino, aún cuando las densidades de la entidad varían ampliamente en el área de estudio. Este método está disponible con la herramienta Generar matriz de ponderaciones espaciales. La opción Vecinos K más cercanos con 8 para Número de vecinos es la conceptualización predeterminada que se utiliza con Regresión exploratoria para evaluar los valores residuales de regresión.
Triangulación de Delaunay (vecinos naturales)
La opción Triangulación de Delaunay construye vecinos al crear triángulos de Voronoi a partir de entidades de puntos o centroides de la entidad, ya que cada punto o centroide es un nodo de triángulo. Los nodos conectados mediante un borde de triángulo se consideran vecinos. Utilizar la triangulación de Delaunay garantiza que cada entidad tendrá al menos un vecino, aún cuando los datos incluyan islas o densidades de entidades que varíen ampliamente. No utilice la opción Triangulación de Delaunay cuando tiene entidades coincidentes. Este método está disponible con la herramienta Generar matriz de ponderaciones espaciales.
Ventana de tiempo-espacio
Con esta opción usted define las relaciones de entidades en términos de espacio (distancia fija) y una ventana de tiempo (intervalo de tiempo fijo). Esta opción está disponible cuando crea un archivo de matriz de ponderaciones espaciales mediante la herramienta Generar matriz de ponderaciones espaciales. Cuando selecciona Ventana de espacio-tiempo, también es necesario que especifique un Campo de fecha/hora, un Tipo de intervalo fecha/hora (Horas, Días o Meses, por ejemplo) y un Valor de intervalo fecha/hora. El valor del intervalo es un entero. Si seleccionó Horas para el tipo de intervalo y 3 para el valor de intervalo, por ejemplo, dos entidades se considerarían vecinas si los valores en el campo de fecha/hora están a tres horas unos de otros. Con esta conceptualización, las entidades son vecinas si están dentro de la distancia especificada y también entran en el intervalo de tiempo especificado de la entidad de destino. Como posible ejemplo, seleccione Ventana de espacio-tiempo en Conceptualización de relaciones espaciales si desea crear un archivo de matriz de ponderaciones espaciales para utilizarlo con Análisis de puntos calientes para identificar puntos calientes de espacio-tiempo. La información adicional, incluyendo la forma de visualizar los resultados, se presenta en Análisis de espacio-tiempo. Dispone de otras opciones para visualizar, en 3D, un cubo de espacio-tiempo de netCDF.
Obtener ponderaciones espaciales a partir del archivo (relaciones espaciales definidas por el usuario)
Puede crear un archivo para almacenar relaciones de vecinos de la entidad mediante la herramienta Generar matriz de ponderaciones espaciales. Si las relaciones espaciales para las entidades se definen en una tabla, utilice la herramienta Generar matriz de ponderaciones espaciales para convertir dicha tabla en un archivo (.swm) de matriz de ponderaciones espaciales. Los campos particulares deberían incluirse en la tabla para utilizar la opción Convertir tabla a fin de para obtener un archivo SWM. También puede proporcionar una ruta al archivo de texto con formato ASCII que define su propia conceptualización personalizada de relaciones espaciales (basado en la interacción espacial, por ejemplo).
Prácticas recomendadas para seleccionar una conceptualización de relaciones espaciales
Cuanto más pueda modelar de manera realista cómo interactúan mutuamente las entidades en el espacio, más precisos serán sus resultados. Su elección del parámetro Conceptualización de relaciones espaciales deberá reflejar relaciones inherentes entre las entidades que analiza. A veces, la elección también estará influenciada por características de los datos.
Los métodos de distancia inversa (Distancia inversa y Distancia inversa cuadrada), por ejemplo, son más adecuados con datos continuos o para modelar procesos en los que cuanto más cerca estén dos entidades en el espacio, más probable será que interaccionen o que se influyan mutuamente. Con esta conceptualización espacial, cada entidad es potencialmente vecina de la otra entidad, y con grandes datasets, el número de cálculos involucrados será enorme. Siempre debería tratar de incluir un valor Banda de distancia o distancia de umbral cuando utilice las conceptualizaciones de distancia inversa. Esto es particularmente importante para datasets grandes. Si deja el parámetro Banda de distancia o distancia de umbral vacío, se calculará una distancia de umbral, pero probablemente no sea la distancia más adecuada para su análisis. El umbral de distancia predeterminado será la distancia mínima que garantice que cada entidad tenga al menos un vecino.
El método Banda de distancia fija funciona bien para los datos de puntos. Es la opción predeterminada utilizada por la herramienta Análisis de punto caliente (Gi* de Getis-Ord). A menudo, es una buena opción para los datos de polígono cuando hay una gran variación en el tamaño del polígono (polígonos muy grandes en el borde del área de estudio y polígonos muy pequeños en el centro del área de estudio, por ejemplo), y desea garantizar una escala de análisis consistente. Consulte la sección Seleccionar un valor de banda de distancia fija a continuación para ver las estrategias que le ayudan a determinar un valor de banda de distancia adecuado para su análisis.
La conceptualización Zona de indiferencia funciona bien cuando la distancia fija es adecuada, pero imponer límites nítidos en las relaciones de vecindad no es una representación precisa de sus datos. Tenga en cuenta que el modelo conceptual de zona de indiferencia considera que cada entidad es vecina de las demás entidades. Por consiguiente, esta opción no es apropiada para grandes datasets ya que el valor Banda de distancia o distancia de umbral suministrado no limita el número de vecinos pero solo especifica dónde comienza a disminuir la intensidad de las relaciones espaciales.
Las conceptualizaciones de contigüidad de polígono (Solo bordes de contigüidad y Bordes o esquinas de contigüidad) son efectivas cuando los polígonos son similares en tamaño y distribución, y cuando las relaciones espaciales son una función de la proximidad de los polígonos (la idea de que si dos polígonos comparten un límite, la interacción espacial entre ellos aumenta). Cuando selecciona una conceptualización de contigüidad de polígono, casi siempre deseará seleccionar estandarización de filas para las herramientas que tienen el parámetro Estandarización de filas.
La opción Vecinos K más cercanos es efectiva cuando desea asegurarse de que tiene un número mínimo de vecinos para su análisis. Especialmente cuando los valores asociados con sus entidades están sesgados (no están distribuidos normalmente), es importante que cada entidad se evalúe dentro del contexto de al menos ocho vecinos (esta es solamente una regla general). Cuando la distribución de los datos varía en el área de estudio de manera que algunas entidades están lejos de las demás entidades, este método funciona bien. Sin embargo, tenga en cuenta que el contexto espacial del análisis cambia según las variaciones en la escasez o densidad de sus entidades. Cuando fijar la escala de análisis es menos importante que fijar la cantidad de vecinos, el método K vecinos más próximos es apropiado.
Algunos analistas consideran que la opción Triangulación de Delaunay es una forma de construir vecinos naturales para un conjunto de entidades. Es una buena opción cuando los datos incluyen polígonos de isla (polígonos aislados que no comparten ningún límite con otros polígonos) o en casos donde hay una distribución espacial de entidades muy desigual. Sin embargo, no es adecuado cuando tiene entidades coincidentes. Similar al método Vecinos K más cercanos, la triangulación de Delaunay garantiza que cada entidad tenga al menos un vecino, pero utiliza la distribución de los datos para determinar cuántos vecinos tiene cada entidad.
La opción Ventana de espacio-tiempo le permite definir las relaciones de entidades en términos tanto de su proximidad espacial como de su proximidad temporal. Utilizaría esta opción si quisiera identificar puntos calientes de espacio-tiempo o construir grupos en los que la pertenencia estaba limitada por la proximidad de espacio y de tiempo. En el Análisis de espacio-tiempo se proporcionan ejemplos de análisis de espacio-tiempo así como estrategias para representar de un modo eficaz los resultados de este tipo de análisis.
Para algunas aplicaciones, la interacción espacial se modela mejor en términos del tiempo de viaje o de la distancia de viaje. Si modela la accesibilidad a los servicios urbanos, por ejemplo, o busca los puntos calientes de delitos urbanos, una buena opción es modelar las relaciones espaciales en términos de una red. Utilice la herramienta Generar ponderaciones espaciales de red para crear un archivo de matriz de ponderaciones espaciales (.swm) antes del análisis. Seleccione GET_SPATIAL_WEIGHTS_FROM_FILE para el valor Conceptualización de relaciones espaciales y, para el parámetro Archivo de matriz de ponderaciones, indique la ruta completa del archivo SWM que creó.
Sugerencia:
Muchas organizaciones mantienen sus propios datasets de red de calles a los que puede que ya tenga acceso. Como alternativa, StreetMap Premium for ArcGIS incluye datasets de red predefinidos en formato SDC que abarcan Norteamérica, Latinoamérica, Europa, Medio Oriente, África, Japón, Australia y Nueva Zelanda. Estos datasets de red se pueden utilizar directamente mediante esta herramienta.
Si ninguna de las opciones del parámetro Conceptualización de relaciones espaciales funciona bien para el análisis, puede crear una tabla o archivo de texto ASCII con las relaciones de entidad a entidad que desee y utilizarlas para crear un archivo de matriz de ponderaciones espaciales. Si alguna de las opciones de arriba se acerca a sus propósitos (pero no es perfecta), puede utilizar la herramienta Generar matriz de ponderaciones espaciales para crear un archivo SWM básico y, a continuación, editar el archivo de matriz de ponderaciones espaciales.
Método de distancia
Varias de las herramientas en la caja de herramientas Estadística espacial utilizan distancia en los cálculos. Estas herramientas le brindan la opción de la distancia euclidiana o de Manhattan.
- La distancia euclidiana se calcula como
D = raíz cuadrada de [(x1–x2)**2,0 + (y1–y2)**2,0]donde (x1, y1) es la coordenada para el punto A, (x2, y2) es la coordenada para el punto B, y D es la distancia en línea recta entre los puntos A y B.
- La distancia de Manhattan se calcula como
D = abs(x1–x2) + abs(y1–y2)donde (x1, y1) es la coordenada para el punto A, (x2, y2) es la coordenada para el punto B y D es la diferencia vertical más horizontal entre los puntos A y B. Es la distancia que debe desplazarse únicamente si tiene restricción para viajar norte-sur y este-oeste. Este método por lo general es más apropiado que la distancia euclidiana cuando el recorrido se limita a una red de calles y donde los costes de viaje de la red de calles real no están disponibles.
Si las entidades de entrada no están proyectadas (es decir, cuando las coordenadas se especifican en grados, minutos y segundos) o cuando el sistema de coordenadas de salida está establecido en un sistema de coordenadas geográficas o cuando se especifica una ruta de la clase de entidad de salida a un dataset de entidades que tiene una referencia espacial de un sistema de coordenadas de salida, las distancias se calculan usando mediciones de cuerda y el parámetro Método de distancia se deshabilita. Las mediciones de distancia de cuerda se utilizan porque se pueden calcular rápidamente y proporcionan estimaciones muy buenas de las verdaderas distancias geodésicas, al menos para los puntos separados un máximo de unos treinta 30 grados entre sí. Las distancias de cuerda se basan en una esfera en lugar de la verdadera forma de elipsoide oblato de la Tierra. Dados dos puntos en la superficie de la Tierra, la distancia de cuerda entre ellos es la longitud de una línea, que atraviesa la Tierra tridimensional, para conectar estos dos puntos. Las distancias de cuerda se informan en metros.
Precaución:
Asegúrese de proyectar los datos si su área de estudio se extiende más allá de los 30 grados. Las distancias de cuerda no son una buena estimación de las distancias geodésicas más allá de 30 grados.
Auto potencial (campo que brinda un peso intrazonal)
Varias herramientas en la caja de herramientas Estadística espacial le permiten proporcionar un campo que representa el peso a utilizar para el auto potencial. La distancia o el peso entre una entidad y el polígono se denomina auto potencial. A menudo, este peso es cero, pero en algunos casos, es posible que desee especificar otro valor fijo o un valor diferente para cada entidad. Por ejemplo, si la conceptualización de relaciones espaciales se basa en distancias recorridas dentro y entre distritos censales, puede decidir modelar el autopotencial para reflejar los costes de viaje intrazonales promedio basados en el tamaño del polígono, como se indica a continuación:
dii = 0,5*[(Ai / π)**0,5]donde dii es el coste de viaje asociado con el viaje intrazonal para la entidad de polígonoi, y Ai es el área asociada con la entidad de polígonoi.
Estandarización
Se recomienda la estandarización de filas siempre que la distribución de las entidades esté potencialmente influenciada debido al diseño de muestreo o a un esquema de agregación impuesto. Cuando se selecciona la estandarización de filas, cada peso se divide por la suma de las filas (la suma de los pesos de todas las entidades vecinas). Los pesos estandarizados de filas se utilizan con frecuencia con vecindades de distancia fija y casi siempre se utilizan para vecindades basadas en la contigüidad de polígono. Esto sirve para mitigar la influencia debido a las entidades que tienen distintas cantidades de vecinos. La estandarización de filas aumentará todos los pesos para que estén entre 0 y 1, lo que crea un esquema de peso relativo en lugar de absoluto. En cualquier momento que trabaje con entidades de polígono que representen límites administrativos, probablemente deseará elegir la opción Estandarización de filas.
A continuación se muestran algunos ejemplos:
- Supongamos que tiene un conjunto completo de todos los incidentes de actos delictivos. En algunas partes de su área de estudio hay muchos puntos porque estos son los lugares con mucha delincuencia. En otras partes, hay pocos puntos, porque esas son áreas con poca delincuencia. La densidad de los puntos es un muy buen reflejo (es representativa) de lo que intenta comprender: los patrones espaciales de delincuencia. Probablemente no haría una estandarización de filas para las ponderaciones espaciales.
- Supongamos que tomó muestras de suelo. Por alguna razón (el clima fue agradable o usted estaba en una ubicación donde no tenía que subirse a las cercas, nadar a través de pantanos o escalar a la cima de una montaña), tiene muchas muestras en algunas partes del área de estudio, pero menos en otras. Dicho de otro modo, la densidad de los puntos no es estrictamente el resultado de una muestra aleatoria cuidadosamente planificada; algunas de sus propias influencias pueden haberse introducido. Además, donde se tiene más puntos no es necesariamente un reflejo de la distribución espacial subyacente de los datos que está analizando. Para ayudar a minimizar cualquier influencia que pueda haberse introducido durante el proceso de muestreo, querrá hacer una estandarización de filas de las ponderaciones espaciales. Cuando realiza una estandarización de filas, el hecho de que una entidad tenga 2 vecinos y otra tenga 18 no tiene gran impacto en los resultados; todas las ponderaciones suman 1.
- Cuando se agregan los datos, se está imponiendo una estructura sobre los mismos. Esta estructura rara vez es un buen reflejo de los datos que está analizando y las preguntas que plantea. Por ejemplo, mientras que los polígonos del censo (como los distritos censales) están diseñados en torno a la población, incluso si su análisis implica preguntas relacionadas con la población, probablemente continuará haciendo una estandarización de filas de las ponderaciones porque los polígonos representan solo una de las muchas maneras en las que se podrían haber dibujado. Con datos de polígono, casi siempre deseará hacer una estandarización de filas de las ponderaciones espaciales.
Banda de distancia o distancia de umbral
La Banda de distancia o distancia de umbral establece la escala de análisis para la mayoría de las conceptualizaciones de relaciones espaciales (por ejemplo, Distancia inversa y Banda de distancia fija). Es un valor numérico positivo que representa una distancia de valor límite. Las entidades que están fuera del valor límite especificado para una entidad de destino se ignoran en el análisis de esa entidad. Sin embargo, con Zona de indiferencia, la influencia de las entidades que están fuera de la distancia dada se reduce con relación a la proximidad, mientras que aquellas que están dentro del umbral de distancia se consideran por igual.
Elegir una distancia apropiada es importante. Algunas estadísticas espaciales requieren que cada entidad tenga al menos un vecino para que el análisis sea confiable. Si el valor que establece para la Banda de distancia o distancia de umbral es demasiado pequeño (de manera que algunas entidades no tienen vecinos), aparece un mensaje de advertencia que sugiere que vuelva a intentarlo con un valor de distancia más grande. La herramienta Calcular banda de distancia a partir de recuento de vecindad evaluará las distancias mínimas, promedio y máximas para un número de vecinos especificado y puede ayudarle a determinar un valor de banda de distancia apropiada para utilizar para el análisis. Consulte Seleccionar un valor de banda de distancia fija para obtener pautas adicionales.
Cuando no se especifica ningún valor, se calcula una distancia de umbral predeterminada. La tabla a continuación indica cómo se comportan las distintas opciones del parámetro Conceptualización de relaciones espaciales para cada uno de los tres tipos de entradas posibles (los valores negativos no son válidos):
| Distancia inversa, distancia inversa cuadrada | Banda de distancia fija, zona de indiferencia | Contigüidad de polígono, triangulación de Delaunay, K vecinos más próximos | |
|---|---|---|---|
| 0 | No se aplica umbral ni valor límite; cada entidad es vecina de otra entidad. | No válido. Se generará un error de tiempo de ejecución. | Se ignora. |
| en blanco | Se calcula una distancia predeterminada. Este valor predeterminado será la distancia mínima para garantizar que cada entidad tenga al menos un vecino. | Se calcula una distancia predeterminada. Este valor predeterminado será la distancia mínima para garantizar que cada entidad tenga al menos un vecino. | Se ignora. |
| número positivo | El valor positivo especificado que no equivale a cero se utilizará como una distancia de valor límite; las relaciones de vecino solo existirán entre las entidades dentro de esta distancia de una a otra. | Para la banda de distancia fija, solo las entidades que estén dentro de este valor límite especificado entre sí serán vecinas. Para la zona de indiferencia, las entidades dentro de este valor límite especificado entre sí serán vecinas; las entidades fuera del valor límite también serán vecinas, pero se les asignará un peso o influencia menor a medida que aumente la distancia. | Se ignora. |
Cantidad de vecinos
Especifique un entero positivo para representar la cantidad de vecinos a incluir en el análisis para cada entidad de destino. Cuando el valor elegido para el parámetro Conceptualización de relaciones espaciales es K vecinos más cercanos, cada entidad de destino se evaluará dentro del contexto de las K entidades más cercanas (donde K es el número de vecinos especificados). Para Distancia inversa o Banda de distancia fija, cuando ejecuta la herramienta Generar matriz de ponderaciones espaciales, especificar un valor para el parámetro Cantidad de vecinos garantizará que cada entidad tenga un mínimo de K vecinos. Para los métodos de contigüidad de polígonos, cualquier entidad que no tenga el valor de Número de vecinos especificado obtendrá vecinos adicionales en función de la proximidad de su centroide.
Archivo de matriz de ponderaciones
Varias herramientas le permiten definir relaciones espaciales entre las entidades al proporcionar una ruta a un archivo de matriz de ponderaciones espaciales. Ponderaciones espaciales son números que reflejan la distancia, el tiempo u otro coste entre cada entidad y las demás entidades en el dataset. El archivo de matriz de ponderaciones espaciales se puede crear mediante la herramienta Generar matriz de ponderaciones espaciales o puede ser un simple archivo ASCII.
Cuando el archivo de matriz de ponderaciones espaciales es un simple archivo de texto ASCII, la primera línea debe ser el nombre de un campo de Id. único. Esto le brinda la flexibilidad para utilizar cualquier campo numérico en su dataset como el Id. al generar este archivo; sin embargo, el campo de Id. debe ser tipo Entero (largo o corto) y debe tener valores únicos para cada entidad. Después de la primera línea, se debe dar formato al archivo de ponderaciones espaciales en tres columnas:
- Desde ID de entidad
- Hasta ID de entidad
- Ponderación
Por ejemplo, supongamos que tiene tres gasolineras. El campo que utiliza como campo de Id. se llama StationID y los Id. de las entidades son 1, 2 y 3. Debe modelar las relaciones espaciales entre estas tres gasolineras usando el tiempo de viaje en minutos. Puede crear un archivo ASCII que se vea de la siguiente manera:
Por lo general, cuando los pesos representan distancia o tiempo, se invierten (por ejemplo, 1/10 cuando la distancia es 10 milla ó 10 minutos) de manera que las entidades más cercanas tengan un peso mayor que las entidades que están más lejos. De los pesos anteriores se desprende que la gasolinera 1 está a 10 minutos de la gasolinera 2. Tenga en cuenta también que el tiempo de viaje no es simétrico en este ejemplo (el viaje desde la gasolinera 1 a la gasolinera 3 dura 7 minutos, pero el viaje desde la gasolinera 3 a la gasolinera 1 solo dura 6 minutos). Tenga en cuenta que el peso entre la gasolinera 1 y ella misma es cero y que no hay entrada para la gasolinera 2. Se supone que las entradas que faltan tienen un peso de 0.
Introducir los valores para el archivo de matriz de ponderaciones espaciales puede ser un trabajo tedioso, aún para los datasets pequeños. Un mejor método es utilizar la herramienta Generar matriz de ponderaciones espaciales o escribir un script de Python rápido para realizar esta tarea.
Archivo de matriz de ponderaciones espaciales (.swm)
La herramienta Generar matriz de ponderaciones espaciales creará un archivo de matriz de ponderaciones espaciales (.swm) que define las relaciones espaciales entre todas las entidades del dataset basándose en los parámetros que especifique. Este archivo se crea en formato de archivo binario de modo que los valores en el archivo no puedan verse directamente. Para ver o editar las relaciones de entidades en un archivo SWM, utilice la herramienta Convertir matriz de ponderaciones espaciales a tabla.
Cuando las relaciones espaciales entre las entidades se almacenan en una tabla, puede utilizar la herramienta Generar matriz de ponderaciones espaciales para convertir esa tabla en un archivo .swm. La tabla necesitará los siguientes campos:
| Nombre de campo | Descripción |
|---|---|
| <Nombre de campo de Id. único> | Un campo de entero que existe en la clase de entidad de entrada con un Id. único para cada entidad. Esto es desde el Id. de entidad. |
| NID | Un campo de entero que contiene Id. de entidades vecinas. Esto es a Id. de entidad. |
| PESO | Este es el peso numérico que cuantifica la relación espacial entre desde y hasta las entidades. Los valores más grandes reflejan pesos más grandes y una influencia o interacción mas fuerte entre dos entidades. |
Compartir archivos de matriz de ponderaciones espaciales
El resultado de la herramienta Generar matriz de ponderaciones espaciales es un archivo SWM. Este archivo se vincula a la configuración de la clase de entidad de entrada, del campo de Id. único y del sistema de coordenadas de salida cuando se crea el archivo .SWM. Otras personas pueden duplicar las relaciones espaciales que define para el análisis utilizando el archivo SWM y la misma clase de entidad de entrada, una clase de entidad que conecte todo o un subconjunto de las entidades a un campo Unique ID que coincida. Especialmente si desea compartir sus archivos .SWM con otros, trate de evitar la situación donde el sistema de coordenadas de salida difiere de la referencia espacial asociada con su clase de entidad de entrada. Una estrategia más adecuada es proyectar la clase de entidad de entrada y establecer el sistema de coordenadas de salida para que sea el mismo que la clase de entidad de entrada antes de crear archivos SWM.