多尺度地理加权回归 (MGWR) (空间统计)

摘要

用于执行多尺度地理加权回归 (MGWR),这是一种用于对空间变化关系进行建模的线性回归的局部形式。

MGWR 以地理加权回归 (GWR) 为基础构建。 它是一种局部回归模型,允许解释变量的系数随空间变化。 每个解释变量都可以在不同的空间尺度上运行。 GWR 不考虑这一点,但 MGWR 通过针对每个解释变量允许不同的邻域(带宽)来考虑这一点。 解释变量的邻域(带宽)将决定用于评估适合目标要素的线性回归模型中该解释变量系数的要素。

了解有关“多尺度地理加权回归 (MGWR)”工作原理的详细信息

插图

多尺度地理加权回归工具图示
双平方核将应用于每个解释变量的邻域。 每个解释变量将使用不同的带宽以捕获不同的空间关系。

使用情况

  • 此工具对于至少具有数百个要素的数据集最有效。 该工具不适用于较小的数据集。 该工具不适用于多点数据。

  • 可以将输入要素参数与表示正在进行建模的现象(因变量值)的字段以及表示解释变量值的一个或多个字段结合使用。 这些字段必须为数字且包含值范围。 因变量或解释变量中包含缺失值的要素将从分析中排除;但是,在运行多尺度地理加权回归工具之前,可以使用填充缺失值工具完成数据集。

  • 当前模型仅接受表示连续值的因变量。 请勿将此工具与计数、比率或二元(指标)因变量一起使用。 目前,模型类型参数的连续选项是唯一受支持的选项。 可能会在未来版本中添加其他选项。

    如果提供了非连续因变量,则结果可能缺乏意义,例如预测为负数或者概率大于 1。

    警告:

    解释变量(非因变量)可以是任何类型,但在使用计数、比率或二元解释变量时,请谨慎操作。 使用非连续解释变量的局部回归模型经常会遇到局部多重共线性问题。 如果任何解释变量高度相关(无论是全局还是局部),则该工具可能会由于多重共线性而失败,并显示错误 110222。

    了解有关多重共线性的详细信息。

  • 因变量解释变量参数中的字段应该同时存在全局和局部变化。 请勿使用包含单个常量值的字段、表示不同空间分布状况的指示解释变量或者空间聚类的类别变量。

  • 要使用类别解释变量,必须使用编码字段工具将类别转换为指示(0 或 1)变量。 然后,可以将这些指示变量用作多尺度地理加权回归工具中的解释变量。

  • 此工具将输出要素类并添加具有本地诊断值的字段。 输出要素值和关联图表会自动添加至内容列表中,并会对模型残差应用扩散配色方案。

  • 对于邻域选择方法参数,系统提供 4 个选项,可用于评估每个解释变量的最佳空间比例:

    • 黄金搜索 - 可以使用黄金搜索算法确定每个解释变量的相邻要素的数目或距离范围。 此方法将在指定的最小值和最大值之间为每个解释变量搜索多个值组合。 该过程将迭代进行,并使用之前值的结果以选择要测试的每个新组合。 选择的最终值将具有最小的 AICc。 对于相邻要素的数目选项,可以使用最小相邻要素的数目最大相邻要素的数目参数指定最小值和最大值。 对于距离范围选项,可以使用最小搜索距离最大搜索距离参数指定最小值和最大值。 所有解释变量将共享最小值和最大值,但每个解释变量的估计相邻要素的数目或距离范围将不同(除非两个或多个巧合地具有相同的空间尺度)。 该选项花费的计算时间最长,尤其对于大型或高维数据集更是如此。

    • 梯度搜索 - 使用基于梯度的优化算法确定每个解释变量的相邻要素的数目或距离范围。 为了确定每个解释变量的最佳带宽,梯度搜索将采用 AICc 相对于带宽的导数并更新带宽,直到确定最低 AICc 为止。 对于相邻要素的数目选项,可以使用最小相邻要素的数目最大相邻要素的数目参数指定最小值和最大值。 对于距离范围选项,可以使用最小搜索距离最大搜索距离参数指定最小值和最大值。 与黄金搜索一样,所有解释变量将共享最小值和最大值,但每个解释变量的估计相邻要素的数目或距离范围可能不同(除非两个或多个巧合地具有相同的空间尺度)。 此选项将评估与黄金搜索相当的邻域,但其具有更好的运行时性能,并且需要使用的内存量要少得多。

    • 手动间隔 - 通过从最小值开始递增相邻要素的数目或距离范围来确定每个解释变量的相邻要素的数目或距离范围。 对于相邻要素的数目选项,该方法将从最小相邻要素的数目参数的值开始。 然后,相邻要素的数量会加上相邻要素的数目增量参数的值。 将重复相应次数的此增量,可以使用增量数参数指定该次数。 对于距离范围选项,该方法将使用最小搜索距离搜索距离增量增量数参数。 每个解释变量使用的相邻要素的数目或距离范围将为测试值之一,但每个解释变量的值可能不同。 此选项比黄金搜索更快,并且经常评估可比较的邻域。

    • 用户定义 - 所有解释变量使用的相邻要素的数目或距离范围。 可以使用相邻要素的数目距离范围参数指定该值。 如果已知最佳值,则此选项可提供最大程度的控制。

    默认情况下,每种邻域选择方法的相关邻域参数适用于所有解释变量。 但是,可以使用邻域类型和选择方法的相应覆盖参数为特定解释变量提供自定义邻域选择参数:适用于黄金搜索的相邻要素的数目适用于梯度搜索的相邻要素的数目适用于手动间隔的相邻要素的数目用户定义的相邻要素数目适用于黄金搜索的搜索距离适用于梯度搜索的搜索距离适用于手动间隔的搜索距离用户定义的搜索距离。 要针对特定解释变量使用自定义邻域,请在相应覆盖参数的第一列中提供解释变量,并在其他列中提供邻域的自定义选项。 这些列与其覆盖的参数具有相同名称;例如,如果您将手动间隔与距离范围配合使用,则搜索距离增量列将指定搜索距离增量参数的自定义值。 在地理处理窗格中,自定义邻域参数位于自定义邻域选项参数类别中。

    例如,假设您使用 3 个具有 30 个最小相邻要素和 40 个最大相邻要素的黄金搜索邻域类型的解释变量。 如果该工具使用这些参数运行,则 3 个解释变量中的每个解释变量都将使用 30 到 40 个相邻要素。 如果您仅希望针对第二个解释变量使用 45 到 55 个相邻要素,则可以在适用于黄金搜索的相邻要素的数目参数的列中提供第二个解释变量、自定义最小值和自定义最大值。 使用这些参数,第一个和第三个解释变量将使用 30 到 40 个相邻要素,第二个解释变量将使用 45 到 55 个相邻要素。

  • 地理处理消息中将显示多个模型诊断,可用于评估 MGWR 模型的可靠性。 在查看任何其他工具输出之前,请查看这些诊断。 如果模型诊断可接受,请查看输出要素的图表和符号系统以更好地理解结果。

    了解有关模型诊断和工具输出的详细信息

  • 评估结果并考虑每个解释变量和因变量之间是否存在线性关系,是否存在任何解释变量缺失(指定错误)或冗余(多重共线性),是否存在异常值,或者残差是否为非正态分布。 有关潜在回归模型问题的详细信息,请参阅回归分析基础知识

  • 为获得最准确的结果,如果坐标存储为纬度和经度,请将数据投影到投影坐标系。 当使用邻域类型参数的距离范围选项时,这一点尤其重要,因为优化需要精确的距离测量。

  • 如果选中调整数据参数,则将针对每个已调整的系数创建一个图层。 重新调整为原始数据单位的系数将存储为输出要素类中的字段。 如果使用系数栅格工作空间参数创建系数栅格,则将创建已调整系数栅格的图层,并将重新调整的栅格保存在该工作空间中。

    建议您调整解释变量和因变量。 当变量的值范围显著变化时,这一点尤其重要,因为调整将均衡解释变量值的方差。 当对每个局部模型的带宽和系数进行数值估计时,如果每个变量对数据总方差的贡献相等,则估计通常会更快地收敛并且收敛到更加精确的值。 如果解释变量具有不同的方差,则方差越大的变量对每一步迭代估计的影响越大。 在大多数情况下,这种影响会对模型的最终带宽和系数产生负面影响。

  • 在某些情况下,邻域选择方法参数的手动间隔选项估计的 AICc 值可能低于黄金搜索选项,即使在搜索相同的距离或相邻要素范围时也是如此。 同样,如果您执行黄金搜索或手动间隔,然后使用用户定义选项提供估计的带宽或相邻要素数目,则输出将不会完全相同。 这两种行为都是由于用于估计 MGWR 模型参数的黄金搜索和向后拟合算法的路径依赖性。 要重现相同的 MGWR 结果,您必须使用所有相同的参数设置运行该工具。

参数

标注说明数据类型
输入要素

包含因变量和解释变量的要素类。

Feature Layer
因变量

包含将进行建模的观测值的数值字段。

Field
模型类型

根据因变量的值指定回归模型。 目前仅支持连续数据,并且参数隐藏在地理处理窗格中。 请勿使用类别、计数或二元因变量。

  • 连续因变量表示连续值。 这是默认设置。
String
解释变量

将在回归模型中用作独立解释变量的字段列表。

Field
输出要素

包含 MGWR 模型的系数、残差和显著性级别的新要素类。 该要素类将添加到内容窗格的图层组中。

Feature Class
邻域类型

指定邻域将为固定距离,还是允许根据要素密度在空间上发生变化。

  • 相邻要素的数目邻域大小将是每个要素的指定数量的最近相邻要素。 在要素密集的位置,邻域的空间范围将较小;在要素稀疏的位置,邻域的空间范围将较大。
  • 距离范围邻域大小将为每个要素的恒定或固定距离。
String
邻域选择方法

指定将如何确定邻域大小。

  • 黄金搜索将通过使用黄金搜索算法最小化 AICc 值来确定最佳距离或相邻要素的数目。 该选项花费的计算时间最长,尤其对于大型或高维数据集更是如此。
  • 梯度搜索将通过使用基于梯度的优化算法最小化 AICc 值来确定最佳距离或相邻要素的数目。 与黄金搜索相比,此选项的运行速度最快,并且需要使用的内存量要少得多。
  • 手动间隔将通过测试一系列值并确定具有最小 AICc 的值来确定距离或相邻要素的数目。 如果将邻域类型参数设置为距离范围,则此范围的最小值将由最小搜索距离参数提供。 然后,将最小值增加在搜索距离增量参数中指定的值。 将重复相应次数的此增量,可以使用增量数参数指定该次数。 如果将邻域类型参数设置为相邻要素的数目,则分别在最小相邻要素的数目相邻要素的数目增量增量数参数中提供最小值、增量大小和增量数。
  • 用户定义邻域大小将由相邻要素的数目参数值或距离范围参数值指定。
String
最小相邻要素的数目
(可选)

每个要素的最小相邻要素的数目将包含在其计算中。 建议您至少使用 30 个相邻要素。

Long
最大相邻要素的数目
(可选)

每个要素的最大相邻要素的数目将包含在其计算中。

Long
距离单位
(可选)

指定将用于测量要素之间距离的距离单位。

  • 国际英尺距离将以国际英尺为单位进行测量。
  • 法定英里距离将以法定英里为单位进行测量。
  • 美国测量英尺距离将以美国测量英尺为单位进行测量。
  • 距离将以米为单位进行测量。
  • 千米距离将以千米为单位进行测量。
  • 美国测量英里距离将以美国测量英里为单位进行测量。
String
最小搜索距离
(可选)

将应用于每个解释变量的最小搜索距离。 建议您为每个要素提供至少包含 30 个相邻要素的最小距离。

Double
最大搜索距离
(可选)

将应用于所有变量的最大邻域搜索距离。

Double
相邻要素的数目增量
(可选)

将针对每个邻域测试增加手动间隔的相邻要素的数目。

Long
搜索距离增量
(可选)

将针对每个邻域测试增加手动间隔的距离。

Double
增量数
(可选)

当使用手动间隔时,要测试的邻域大小的数量。 第一个邻域大小是最小相邻要素的数目最小搜索距离参数的值。

Long
相邻要素的数目
(可选)

将用于用户定义邻域类型的相邻要素的数目。

Long
距离范围
(可选)

将用于用户定义邻域类型的距离范围的大小。 此距离范围内的所有要素都将作为相邻要素包含在局部模型中。

Double
适用于黄金搜索的相邻要素的数目
(可选)

单个解释变量的 自定义黄金搜索选项。 对于每个要自定义的解释变量,请在列中提供变量、最小相邻要素的数目和最大相邻要素的数目。

Value Table
适用于手动间隔的相邻要素的数目
(可选)

单个解释变量的自定义手动间隔选项。 对于每个要自定义的解释变量,请在列中提供最小相邻要素的数目、相邻要素的数目增量和增量数。

Value Table
用户定义相邻要素的数目
(可选)

单个解释变量的自定义用户定义选项。 对于每个要自定义的解释变量,请提供相邻要素的数目。

Value Table
适用于黄金搜索的搜索距离
(可选)

单个解释变量的自定义黄金搜索选项。 对于每个要自定义的解释变量,请在列中提供变量、最小搜索距离和最大搜索距离。

Value Table
适用于手动间隔的搜索距离
(可选)

单个解释变量的自定义手动间隔选项。 对于每个要自定义的变量,请在列中提供变量、最小搜索距离、搜索距离增量和增量数。

Value Table
用户定义搜索距离
(可选)

单个解释变量的自定义用户定义选项。 对于每个要自定义的变量,请在列中提供变量和距离范围。

Value Table
预测位置
(可选)

包含将计算评估值的位置的要素类。 此数据集中的每个要素都应包含指定的每个解释变量的值。 将使用针对输入要素类数据进行校准的模型来评估这些要素的因变量。 这些要素位置应该与输入要素接近(位于 115% 范围内)或者位于相同的研究区域内。

Feature Layer
要匹配的解释变量
(可选)

与来自输入要素的相应解释变量相匹配的来自预测位置的解释变量。

Value Table
输出预测要素
(可选)

将接收每个预测位置的因变量估计数的输出要素类。

Feature Class
可靠预测
(可选)

用于指定将在预测计算中使用的要素。

  • 选中 - 值高于平均值(异常值)3 个标准偏差的要素以及权重为 0(空间异常值)的要素将从预测计算中排除,但将在输出要素类中接收预测。 这是默认设置。
  • 未选中 - 将在预测计算中使用每个要素。

Boolean
局部权重方案
(可选)

用于指定将用于在模型中提供空间权重的核类型。 核将定义每个要素与其邻域内其他要素相关的方式。

  • 双平方权重 0 将会分配给指定邻域外的任何要素。 这是默认设置。
  • 高斯函数所有要素都将获得权重,但是距离目标要素越远,则权重将以指数方式变小。
String
输出邻域表
(可选)

包含 MGWR 模型输出统计数据的表。 估计的带宽或相邻要素的数目的条形图将包含在输出中。

Table
系数栅格工作空间
(可选)

将创建系数栅格的工作空间。 如果提供此工作空间,则将针对截距和每个解释变量创建栅格。 此参数仅适用于 Desktop Advanced 许可。 如果提供目录,则栅格将为 TIFF (.tif) 栅格类型。

Workspace
调整数据
(可选)

指定是否将对解释变量和因变量的值进行标准化(也称为 Z 得分标准化),以在拟合模型之前具有平均值 0 和标准差 1。

  • 选中 - 将对变量的值进行调整。 结果将包含调整版本和未调整版本的解释变量系数。
  • 未选中 - 将不会对变量的值进行调整。 所有系数均未调整并采用原始数据单位。

Boolean
适用于梯度搜索的相邻要素的数目
(可选)

单个解释变量的自定义梯度搜索选项。 对于每个要自定义的解释变量,请在列中提供变量、最小相邻要素的数目和最大相邻要素的数目。

Value Table
适用于梯度搜索的搜索距离
(可选)

单个解释变量的自定义梯度搜索选项。 对于每个要自定义的解释变量,请在列中提供变量、最小搜索距离和最大搜索距离。

Value Table

派生输出

标注说明数据类型
系数栅格图层

解释变量系数的输出栅格。

Raster
输出图层组

输出的图层组。 图层组名称为输出要素参数值,末尾追加 _MGWR_Results。 包含标准化残差和每个解释变量的单独子图层组。 每个子图层组将包含 Coefficient 图层和 Significance 图层。 图层组将添加至内容窗格。

Group Layer

arcpy.stats.MGWR(in_features, dependent_variable, model_type, explanatory_variables, output_features, neighborhood_type, neighborhood_selection_method, {minimum_number_of_neighbors}, {maximum_number_of_neighbors}, {distance_unit}, {minimum_search_distance}, {maximum_search_distance}, {number_of_neighbors_increment}, {search_distance_increment}, {number_of_increments}, {number_of_neighbors}, {distance_band}, {number_of_neighbors_golden}, {number_of_neighbors_manual}, {number_of_neighbors_defined}, {distance_golden}, {distance_manual}, {distance_defined}, {prediction_locations}, {explanatory_variables_to_match}, {output_predicted_features}, {robust_prediction}, {local_weighting_scheme}, {output_table}, {coefficient_raster_workspace}, {scale}, {number_of_neighbors_gradient}, {distance_gradient})
名称说明数据类型
in_features

包含因变量和解释变量的要素类。

Feature Layer
dependent_variable

包含将进行建模的观测值的数值字段。

Field
model_type

根据因变量的值指定回归模型。 目前仅支持连续数据,并且参数隐藏在地理处理窗格中。 请勿使用类别、计数或二元因变量。

  • CONTINUOUS因变量表示连续值。 这是默认设置。
String
explanatory_variables
[explanatory_variables,...]

将在回归模型中用作独立解释变量的字段列表。

Field
output_features

包含 MGWR 模型的系数、残差和显著性级别的新要素类。

Feature Class
neighborhood_type

指定邻域将为固定距离,还是允许根据要素密度在空间上发生变化。

  • NUMBER_OF_NEIGHBORS邻域大小将是每个要素的指定数量的最近相邻要素。 在要素密集的位置,邻域的空间范围将较小;在要素稀疏的位置,邻域的空间范围将较大。
  • DISTANCE_BAND邻域大小将为每个要素的恒定或固定距离。
String
neighborhood_selection_method

指定将如何确定邻域大小。

  • GOLDEN_SEARCH将通过使用黄金搜索算法最小化 AICc 值来确定最佳距离或相邻要素的数目。 该选项花费的计算时间最长,尤其对于大型或高维数据集更是如此。
  • GRADIENT_SEARCH将通过使用基于梯度的优化算法最小化 AICc 值来确定最佳距离或相邻要素的数目。 与黄金搜索相比,此选项的运行速度最快,并且需要使用的内存量要少得多。
  • MANUAL_INTERVALS将通过测试一系列值并确定具有最小 AICc 的值来确定距离或相邻要素的数目。 如果将 neighborhood_type 参数设置为 DISTANCE_BAND,则此范围的最小值将由 minimum_search_distance 参数提供。 然后,将最小值增加在 search_distance_increment 参数中指定的值。 将重复由 number_of_increments参数指定的次数。 如果将 neighborhood_type 参数设置为 NUMBER_OF_NEIGHBORS,则最小值、增量大小和增量数分别由 minimum_number_of_neighborsnumber_of_neighbors_incrementnumber_of_increments 参数提供。
  • USER_DEFINED邻域大小将由 number_of_neighbors 参数值或 distance_band 参数值指定。
String
minimum_number_of_neighbors
(可选)

每个要素的最小相邻要素的数目将包含在其计算中。 建议您至少使用 30 个相邻要素。

Long
maximum_number_of_neighbors
(可选)

每个要素的最大相邻要素的数目将包含在其计算中。

Long
distance_unit
(可选)

指定将用于测量要素之间距离的距离单位。

  • FEETINT距离将以国际英尺为单位进行测量。
  • MILESINT距离将以法定英里为单位进行测量。
  • FEET距离将以美国测量英尺为单位进行测量。
  • METERS距离将以米为单位进行测量。
  • KILOMETERS距离将以千米为单位进行测量。
  • MILES距离将以美国测量英里为单位进行测量。
String
minimum_search_distance
(可选)

将应用于每个解释变量的最小搜索距离。 建议您为每个要素提供至少包含 30 个相邻要素的最小距离。

Double
maximum_search_distance
(可选)

将应用于所有变量的最大邻域搜索距离。

Double
number_of_neighbors_increment
(可选)

将针对每个邻域测试增加手动间隔的相邻要素的数目。

Long
search_distance_increment
(可选)

将针对每个邻域测试增加手动间隔的距离。

Double
number_of_increments
(可选)

当使用手动间隔时,要测试的邻域大小的数量。 第一个邻域大小是 minimum_number_of_neighborsminimum_search_distance 参数的值。

Long
number_of_neighbors
(可选)

将用于用户定义邻域类型的相邻要素的数目。

Long
distance_band
(可选)

将用于用户定义邻域类型的距离范围的大小。 此距离范围内的所有要素都将作为相邻要素包含在局部模型中。

Double
number_of_neighbors_golden
[number_of_neighbors_golden,...]
(可选)

单个解释变量的 自定义黄金搜索选项。 对于每个要自定义的解释变量,请在列中提供变量、最小相邻要素的数目和最大相邻要素的数目。

Value Table
number_of_neighbors_manual
[number_of_neighbors_manual,...]
(可选)

单个解释变量的自定义手动间隔选项。 对于每个要自定义的解释变量,请在列中提供最小相邻要素的数目、相邻要素的数目增量和增量数。

Value Table
number_of_neighbors_defined
[number_of_neighbors_defined,...]
(可选)

单个解释变量的自定义用户定义选项。 对于每个要自定义的解释变量,请提供相邻要素的数目。

Value Table
distance_golden
[distance_golden,...]
(可选)

单个解释变量的自定义黄金搜索选项。 对于每个要自定义的解释变量,请在列中提供变量、最小搜索距离和最大搜索距离。

Value Table
distance_manual
[distance_manual,...]
(可选)

单个解释变量的自定义手动间隔选项。 对于每个要自定义的变量,请在列中提供变量、最小搜索距离、搜索距离增量和增量数。

Value Table
distance_defined
[distance_defined,...]
(可选)

单个解释变量的自定义用户定义选项。 对于每个要自定义的变量,请在列中提供变量和距离范围。

Value Table
prediction_locations
(可选)

包含将计算评估值的位置的要素类。 此数据集中的每个要素都应包含指定的每个解释变量的值。 将使用针对输入要素类数据进行校准的模型来评估这些要素的因变量。 这些要素位置应该与输入要素接近(位于 115% 范围内)或者位于相同的研究区域内。

Feature Layer
explanatory_variables_to_match
[explanatory_variables_to_match,...]
(可选)

与来自输入要素的相应解释变量相匹配的来自预测位置的解释变量。

Value Table
output_predicted_features
(可选)

将接收每个预测位置的因变量估计数的输出要素类。

Feature Class
robust_prediction
(可选)

用于指定将在预测计算中使用的要素。

  • ROBUST值高于平均值(异常值)3 个标准偏差的要素以及权重为 0(空间异常值)的要素将从预测计算中排除,但将在输出要素类中接收预测。 这是默认设置。
  • NON_ROBUST将在预测计算中使用每个要素。
Boolean
local_weighting_scheme
(可选)

用于指定将用于在模型中提供空间权重的核类型。 核将定义每个要素与其邻域内其他要素相关的方式。

  • BISQUARE权重 0 将会分配给指定邻域外的任何要素。 这是默认设置。
  • GAUSSIAN所有要素都将获得权重,但是距离目标要素越远,则权重将以指数方式变小。
String
output_table
(可选)

包含 MGWR 模型输出统计数据的表。 估计的带宽或相邻要素的数目的条形图将包含在输出中。

Table
coefficient_raster_workspace
(可选)

将创建系数栅格的工作空间。 如果提供此工作空间,则将针对截距和每个解释变量创建栅格。 此参数仅适用于 Desktop Advanced 许可。 如果提供目录,则栅格将为 TIFF (.tif) 栅格类型。

Workspace
scale
(可选)

指定是否将对解释变量和因变量的值进行调整,以在拟合模型之前具有平均值 0 和标准差 1。

  • SCALE_DATA将对变量的值进行调整。 结果将包含调整版本和未调整版本的解释变量系数。
  • NO_SCALE_DATA将不会对变量的值进行调整。 所有系数均未调整并采用原始数据单位。
Boolean
number_of_neighbors_gradient
[number_of_neighbors_gradient,...]
(可选)

单个解释变量的自定义梯度搜索选项。 对于每个要自定义的解释变量,请在列中提供变量、最小相邻要素的数目和最大相邻要素的数目。

Value Table
distance_gradient
[distance_gradient,...]
(可选)

单个解释变量的自定义梯度搜索选项。 对于每个要自定义的解释变量,请在列中提供变量、最小搜索距离和最大搜索距离。

Value Table

派生输出

名称说明数据类型
coefficient_raster_layers

解释变量系数的输出栅格。

Raster
output_layer_group

输出的图层组。 图层组名称为输出要素参数值,末尾追加 _MGWR_Results。 包含标准化残差和每个解释变量的单独子图层组。 每个子图层组将包含 Coefficient 图层和 Significance 图层。 图层组将添加至内容窗格。

Group Layer

代码示例

MGWR 示例 1:(Python 窗口)

以下 Python 窗口脚本演示了如何使用 MGWR 函数。


import arcpy
arcpy.stats.MGWR("r\data.gdb\house_price", "price", "CONTINUOUS", 
                 "review;beds;areas", r"data.gdb\house_price_fit_model", 
                 "DISTANCE_BAND", "GOLDEN_SEARCH", None, None, None, None, 
                 None, None, None, None, None, None, None, None, None, 
                 "review # #;beds # #; areas # #", None, None, 
                 r"data.gdb\house_price", "review review;beds beds; areas areas", 
                 r"data.gdb\house_price_prediction", "ROBUST", "BISQUARE")
MGWR 示例 2(独立脚本)

以下独立 Python 脚本演示了如何使用 MGWR 函数。

# Run MGWR to predict house prices using "Number of Neighbors" and "Golden Search"
# Import modules
import arcpy

# Set the current workspace
arcpy.env.workspace = "C:/data"

# Run MGWR 
arcpy.stats.MGWR("r\data.gdb\house_price", "price", "CONTINUOUS", 
                 "review;beds;areas", r"data.gdb\house_price_fit_model", 
                 "DISTANCE_BAND", "GOLDEN_SEARCH", None, None, None, None, 
                 None, None, None, None, None, None, None, None, None, 
                 "review # #;beds # #; areas # #", None, None, 
                 r"data.gdb\house_price", "review review;beds beds; areas areas", 
                 r"data.gdb\house_price_prediction", "ROBUST", "BISQUARE")