Подпись | Описание | Тип данных |
Входные объекты | Входные объекты, содержащие зависимые и независимые переменные. | Feature Layer |
Зависимая переменная | Числовое поле, которое будет спрогнозировано в регрессионной модели. | Field |
Независимые переменные | Список полей, которые будут использоваться для прогнозирования зависимой переменной в регрессионной модели. | Field |
Выходные объекты | Выходной класс пространственных объектов, содержащий прогнозируемые значения зависимой переменной и невязки. | Feature Class |
Тип модели | Тип модели, который будет использоваться для оценки. По умолчанию для определения модели, наиболее подходящей для входных данных, будут использоваться диагностические тесты LM.
| String |
Тип окрестности (Дополнительный) | Определяет, как будут выбираться соседи для каждого входного объекта. Чтобы определить локальные пространственные закономерности, для каждого входного объекта необходимо определить соседние объекты.
| String |
Диапазон расстояний (Дополнительный) | Расстояние, в пределах которого объекты будут включены в качестве соседей. Если значение не будет задано, оно будет получено в процессе обработки и показано в сообщении геообработки. | Linear Unit |
Число соседей (Дополнительный) | Число соседей, которые будут использоваться как соседи. В это число не входит фокальный объект. Значение по умолчанию - 8. | Long |
Файл матрицы весов (Дополнительный) | Путь и имя файла матрицы пространственных весов, который задает пространственные и отношения между объектами. | File |
Локальная схема весов (Дополнительный) | Задает схему взвешивания, которая будет применяться к соседям. Веса всегда будут стандартизированы по строкам, если только не будет предоставлен файл матрицы пространственных весов.
| String |
Ширина ядра (Дополнительный) | Полоса пропускания взвешенного ядра. Если значение не указано, будет использоваться адаптивное ядро. Адаптивное ядро использует максимальное расстояние от соседнего объекта до фокального объекта в качестве полосы пропускания. | Linear Unit |
Краткая информация
Оценивает глобальную модель пространственной регрессии для класса точечных или полигональных объектов.
Предположения традиционных моделей линейной регрессии часто нарушаются при использовании пространственных данных. Когда в наборе данных присутствует пространственная автокорреляция, оценки коэффициентов могут быть смещены и приводить к излишне самоуверенным выводам. Этот инструмент может быть использован для оценки модели регрессии, которая является надежной при наличии пространственной зависимости и гетероскедастичности, а также для измерения пространственных побочных эффектов. Инструмент использует множитель Лагранжа (LM), также известный как оценка Рао, в диагностических тестах для определения наиболее подходящей модели. На основе диагностики LM может быть оценена модель обычного метода наименьших квадратов (OLS), модель пространственного лага (SLM), модель пространственной ошибки (SEM) или пространственной комбинированной модели авторегрессии (SAC).
Более подробно о работе инструмента Пространственная авторегрессия
Иллюстрация

Использование
Инструмент принимает только точечные и полигональные входные данные.
Зависимая переменная должна быть непрерывной (не бинарной или категорийной).
Независимые переменные должны быть непрерывными (не бинарными и не категорийными). Не используйте бинарные переменные (содержащие только значения 0 и 1), так как они могут нарушать допущения модели и вызывать ошибку.
Выходные данные инструмента включают в себя диаграмма рассеяния Морана для невязок, которая может быть использована для определения автокорреляции в невязках модели.
Используемая матрица пространственных весов не может иметь связности более чем на 30 процентов. При достижении этого порогового значения для предотвращения предвзятых оценок возникнет ошибка.
При использовании k ближайших соседей с локальной схемой взвешивания будет рассчитана адаптивная полоса пропускания, если полоса пропускания не задана.
Пространственная модель Дурбина может быть оценена путем подгонки SLM и включения каждой независимой переменной и их пространственных лагов. Иллюстрация инструмента Суммарная статистика окрестности для вычисления пространственного лага.
Модели оцениваются с использованием следующих методов, связанных с гетероскедастичностью и нормальностью:
- SLM использует регрессию Spatial Two Stage Least Squares regression(S2SLS).
- SEM использует Generalized Method of Moments (GMM).
- SAC использует Generalized S2SLS (GS2SLS).
Параметры
arcpy.stats.SAR(in_features, dependent_variable, explanatory_variables, out_features, model_type, {neighborhood_type}, {distance_band}, {number_of_neighbors}, {weights_matrix_file}, {local_weighting_scheme}, {kernel_bandwidth})
Имя | Описание | Тип данных |
in_features | Входные объекты, содержащие зависимые и независимые переменные. | Feature Layer |
dependent_variable | Числовое поле, которое будет спрогнозировано в регрессионной модели. | Field |
explanatory_variables [explanatory_variables,...] | Список полей, которые будут использоваться для прогнозирования зависимой переменной в регрессионной модели. | Field |
out_features | Выходной класс пространственных объектов, содержащий прогнозируемые значения зависимой переменной и невязки. | Feature Class |
model_type | Тип модели, который будет использоваться для оценки. По умолчанию для определения модели, наиболее подходящей для входных данных, будут использоваться диагностические тесты LM.
| String |
neighborhood_type (Дополнительный) | Определяет, как будут выбираться соседи для каждого входного объекта. Чтобы определить локальные пространственные закономерности, для каждого входного объекта необходимо определить соседние объекты.
| String |
distance_band (Дополнительный) | Расстояние, в пределах которого объекты будут включены в качестве соседей. Если значение не будет задано, оно будет получено в процессе обработки и показано в сообщении геообработки. | Linear Unit |
number_of_neighbors (Дополнительный) | Число соседей, которые будут использоваться как соседи. В это число не входит фокальный объект. Значение по умолчанию - 8. | Long |
weights_matrix_file (Дополнительный) | Путь и имя файла матрицы пространственных весов, который задает пространственные и отношения между объектами. | File |
local_weighting_scheme (Дополнительный) | Задает схему взвешивания, которая будет применяться к соседям. Веса всегда будут стандартизированы по строкам, если только не будет предоставлен файл матрицы пространственных весов.
| String |
kernel_bandwidth (Дополнительный) | Полоса пропускания взвешенного ядра. Если значение не указано, будет использоваться адаптивное ядро. Адаптивное ядро использует максимальное расстояние от соседнего объекта до фокального объекта в качестве полосы пропускания. | Linear Unit |
Пример кода
Скрипт окна Python, демонстрирующий использование функции SAR.
# Fit SAR model and auto-detect the regression model.
arcpy.stats.SAR(
in_features=r"C:\data\data.gdb\house_price",
dependent_variable="price",
explanatory_variables=["crime", "income", "school_rate"],
out_features=r"C:\data\data.gdb\house_price_SAR",
model_type="AUTO",
neighborhood_type="DELAUNAY_TRIANGULATION",
distance_band=None,
number_of_neighbors=None,
weights_matrix_file=None,
local_weighting_scheme="UNWEIGHTED",
kernel_bandwidth=None
)
В следующем автономном скрипте показано использование функции SAR.
# Fit SAR model using SLM.
# Import modules
import arcpy
# Set the current workspace
arcpy.env.workspace = r"C:\data\data.gdb"
# Run SAR tool with Spatial Lag model
arcpy.stats.SAR(
in_features=r"health_factors_CA",
dependent_variable="Diabetes",
explanatory_variables=["Drink", "Inactivity"],
out_features=r"Diabetes_SAR",
model_type="LAG",
neighborhood_type="CONTIGUITY_EDGES_CORNERS",
distance_band=None,
number_of_neighbors=None,
weights_matrix_file=None,
local_weighting_scheme="UNWEIGHTED",
kernel_bandwidth=None
)