Con gran parte del análisis de datos espaciales que hace, la escala de su análisis será importante. Muchas herramientas de densidad le pedirán que indique un valor de radio. La distancia que seleccione debe referirse a la escala de la cuestión que está tratando de responder o a la escala de solución que está considerando. Por ejemplo, supongamos que desea entender la obesidad infantil. ¿Cuál es su escala de análisis? ¿Está en el nivel de vecindad o de hogar individual? Si es así, la distancia que utiliza para definir la escala de análisis será pequeña, abarcando los hogares dentro de una manzana o dos entre sí. De manera alternativa, ¿cuál será la escala de solución? Tal vez su pregunta implica dónde aumentar los programas de acondicionamiento físico después de la escuela como una manera de reducir potencialmente la obesidad infantil. En ese caso, su distancia será probablemente el reflejo de zonas escolares. A veces es bastante fácil determinar una escala apropiada de análisis; si analiza los patrones de viajes y sabemos que el viaje promedio al trabajo es de 12 millas, por ejemplo, entonces 12 millas sería una distancia apropiada a utilizar para el análisis. Otras veces es más difícil de justificar cualquier distancia de análisis en particular. Aquí es cuando la herramienta Autocorrelación espacial incremental es más útil.
Siempre que vea clustering espacial en el apaisado, ve evidencia de procesos espaciales subyacentes en el trabajo. Saber algo sobre la escala espacial en la cual funcionan esos procesos subyacentes puede ayudarle a seleccionar una distancia de análisis apropiada. La herramienta Autocorrelación espacial incremental ejecuta la herramienta Autocorrelación espacial (I de Moran global) para una serie de distancias en aumento, midiendo la intensidad del clustering espacial para cada distancia. La intensidad del clustering está determinado por la puntuación z que se devuelve. Generalmente, a medida que aumenta la distancia, también aumenta la puntuación z, que indica la intensificación del clustering. Sin embargo, en una distancia específica, la puntuación z por lo general aumenta. A veces, verá varios picos.
Los picos reflejan las distancias donde los procesos espaciales que promueven el clustering son más pronunciados. El color de cada punto en el gráfico corresponde a la importancia estadística de los valores de la puntuación z.
Una estrategia para identificar una escala apropiada de análisis es seleccionar la distancia asociada con el pico estadísticamente importante que mejor refleja la escala de su pregunta. Con frecuencia, este es el primer pico estadísticamente significativo.
¿Cómo puedo seleccionar los valores de Distancia de inicio e Incremento de distancia?
Todas las mediciones de distancia se basan en los centroides de la entidad y el valor predeterminado de la Distancia de inicio es la distancia más corta que garantizará que cada entidad tenga al menos una entidad vecina. Generalmente, esta es una buena opción, a menos que el dataset incluya valores atípicos de ubicación. Determine si tiene valores atípicos de ubicación o no y, a continuación, seleccione todas las entidades menos las de valores atípicos y ejecute la Autocorrelación espacial incremental solo en las entidades seleccionadas. Si encuentra una distancia pico para el conjunto de selección, utilice esa distancia para crear un archivo de matriz de ponderaciones espaciales basado en todas las entidades (incluso los valores atípicos). Cuando ejecute la herramienta Generar matriz de ponderaciones espaciales para crear el archivo de matriz de ponderaciones espaciales, establezca el parámetro Cantidad de vecinos en un valor que haga que todas las entidades tengan al menos esa cantidad de entidades vecinas.
La Distancia de aumento predeterminada es la distancia promedio a la entidad vecina más cercana de cada entidad. Si ha determinado una distancia de inicio adecuada usando las estrategias de arriba y todavía no ve una distancia pico, es posible que desee experimentar con distancias de aumentos mayores o menores.
¿Qué pasa si el gráfico nunca tiene picos?
En algunos casos, utilizará la herramienta Autocorrelación espacial incremental y obtendrá un gráfico con una puntuación z que solo sigue aumentando con el incremento de las distancias; no hay un pico. Esto sucede con más frecuencia en los casos en los que se agregan los datos y la escala de los procesos que afectan la variable del Campo de entrada son más pequeños que el esquema de agregación. Puede intentar hacer menor el Incremento de distancia para ver si esto captura picos más sutiles. A veces, sin embargo, no obtendrá un pico porque hay varios procesos espaciales, y cada uno funciona a una distancia distinta, en su área de estudio. A menudo, este es el caso con datasets de puntos muy grandes que son ruidosos (ningún patrón espacial claro de los valores de datos de puntos que está analizando). En este caso, deberá justificar su escala de análisis utilizando algunos otros criterios.
Interpretar los resultados
Sin embargo, de manera más general, debe identificar las distancias pico al examinar el gráfico en el archivo Informe de salida opcional. El informe tiene tres páginas. Un ejemplo de la primera página del informe se muestra a continuación. Observe que este gráfico tiene tres puntuaciones z pico asociadas con las distancias de 5000, 9000 y 13000 pies. Se dibujará un halo para destacar tanto la primera distancia pico y la distancia pico máxima, pero todos los picos representan distancias donde los procesos que promueven el clustering son más pronunciados. Puede seleccionar el pico que mejor refleja la escala de su pregunta analítica. En algunos casos, solo habrá un halo porque el primer pico y el pico máximo se encuentran a la misma distancia. Si ninguno de los picos de puntuación z son estadísticamente significativos, entonces ninguno de los picos tendrá el halo celeste. Observe que el color de la puntuación z graficada, corresponde a la leyenda que muestra los valores críticos de significancia estadística.
En la página dos del informe, las distancias y los valores de la puntuación z se presentan en formato de tabla. La última página del informe documenta la configuración del parámetro que se utilizó cuando se ejecutó la herramienta. Para obtener un archivo de informe, proporcione una ruta para el parámetro Informe de salida.
Recursos adicionales
- Vídeos que perfilan algunas de las mejores prácticas para realizar un análisis de puntos calientes:
- El Tutorial sobre análisis de patrón espacial le guía por un análisis de datos del dengue que utiliza la herramienta Autocorrelación espacial incremental.
- Consulte Seleccionar una banda de distancia fija en Modelado de relaciones espaciales.
- Cómo funciona el análisis de puntos calientes incluye una discusión sobre cómo encontrar una escala apropiada de análisis.
- Para ver una lista actualizada de todos los recursos de estadísticas espaciales disponibles, visite https://esriurl.com/spatialstats