আমি কীভাবে আর্কজিআইএস, পাইথন এবং এসপিএসএস / আরএস ব্যবহার করে ভৌগোলিকভাবে ওজনিত প্রধান উপাদানগুলির বিশ্লেষণ পরিচালনা করতে পারি?


32

আমি একটি ভৌগোলিকভাবে ওজনযুক্ত প্রধান উপাদান উপাদান বিশ্লেষণ (জিডাব্লুপিসিএ) পরিচালনার জন্য একটি বিবরণ / পদ্ধতি পরে আছি । আমি এর যে কোনও অংশের জন্য পাইথন ব্যবহার করে খুশি এবং আমি কল্পনা করি যে এসপিএসএস বা আরএস ভৌগলিকভাবে ভারিত চলকগুলিতে পিসিএ চালাতে ব্যবহৃত হচ্ছে।

আমার ডেটাসেটটি প্রায় 30 টি স্বতন্ত্র ভেরিয়েবলের সমন্বয়ে গঠিত যা ~ 550 সেন্সাস ট্র্যাক্ট (ভেক্টর জ্যামিতি) জুড়ে পরিমাপ করা হয়।

আমি জানি এটি একটি বোঝা প্রশ্ন। তবে, যেমন আমি অনুসন্ধান এবং অনুসন্ধান করছি, সেখানে কোনও সমাধান হবে বলে মনে হয় না। আমি যা এসেছি তা হল গাণিতিক সমীকরণ যা জিডাব্লুপিসিএ (এবং জিডব্লিউআর) এর মূল রচনা ব্যাখ্যা করে। আমি এর পরে যা করছি তা এক অর্থে আরও প্রয়োগ করা হয়েছে, কাঁচা তথ্য থেকে জিডাব্লুপিসিএ ফলাফল পেতে আমার কী বড় পদক্ষেপগুলি অর্জন করতে হবে তা আমি সন্ধান করছি।


নীচের মন্তব্যগুলির কারণে আমি এই সম্পাদনাটির সাথে প্রথম অংশে প্রসারিত করতে চাই।

পলকে সম্বোধন করার জন্য ...

আমি নিচের কাগজটি বন্ধ করে দিয়ে জিডব্লিউপিসিএতে আগ্রহ প্রকাশ করছি:

লয়েড, সিডি, (২০১০)। ভৌগোলিকভাবে ওজনযুক্ত মূল উপাদানগুলির বিশ্লেষণ ব্যবহার করে জনসংখ্যার বৈশিষ্ট্য বিশ্লেষণ: 2001 সালে উত্তর আয়ারল্যান্ডের একটি কেস স্টাডি Comp কম্পিউটার, পরিবেশ ও নগর ব্যবস্থা, 34 (5), পৃষ্ঠা 3893-99।

সাহিত্যে যাদের অ্যাক্সেস নেই তাদের জন্য, আমি নির্দিষ্ট বিভাগগুলির স্ক্রিনশট সংযুক্ত করেছি যা নীচের গণিতের ব্যাখ্যা দেয়:

প্রবন্ধ

এবং whuber ঠিকানা ...

বিস্তারিত (গোপনীয়তা) না নিয়ে, আমরা 30 ভেরিয়েবলগুলি হ্রাস করার চেষ্টা করছি, যা আমরা বিশ্বাস করি যে সমস্ত খুব ভাল সূচক (যদিও বিশ্বব্যাপী), 1 এর চেয়ে বেশি ইগেনভ্যালুযুক্ত উপাদানগুলির সেটগুলিতে, আমরা ভৌগোলিকভাবে ওজনযুক্ত উপাদানগুলি গণনা করে চেষ্টা করি এই উপাদানগুলির দ্বারা ব্যাখ্যা করা স্থানীয় রূপগুলি বোঝার জন্য।

আমি মনে করি আমাদের প্রাথমিক লক্ষ্য হ'ল জিডাব্লুপিসিএর ধারণার প্রমাণ দেওয়া, তা হ'ল আমাদের তথ্যের স্থানিক স্পষ্ট প্রকৃতি প্রদর্শন করা এবং আমরা সমস্ত স্বতন্ত্র ভেরিয়েবলকে বৈশ্বিক স্তরে ব্যাখ্যামূলক হিসাবে বিবেচনা করতে পারি না। বরং, প্রতিটি উপাদান যে স্থানীয় স্কেল (পাড়াগুলি) সনাক্ত করবে সেগুলি আমাদের উপাত্তের বহুমাত্রিক প্রকৃতিটি বুঝতে সহায়তা করবে (কীভাবে আমাদের অধ্যয়নের ক্ষেত্রের একটি নির্দিষ্ট পাড়াটি ব্যাখ্যা করার জন্য ভেরিয়েবলগুলি একে অপরের সাথে একত্রিত করা যায়)।

আমরা আশা করি যে প্রতিটি উপাদান (পৃথকভাবে) দ্বারা সংশ্লেষিত পার্থক্যটির শতাংশের মানচিত্রটি তৈরি করতে হবে, প্রশ্নের মধ্যে থাকা উপাদান দ্বারা ব্যাখ্যা করা পাড়ার পরিমাণ বুঝতে (আমাদের উপাদানগুলির স্থানীয় স্বাতন্ত্রিকতা বুঝতে আমাদের সহায়তা করুন)। সম্ভবত অন্য কিছু ম্যাপিংয়ের উদাহরণ রয়েছে তবে এই মুহুর্তে কোনওটিই মাথায় আসে না।

উপরন্তু:

জিডাব্লুপিসিএর পেছনের গণিত ভৌগলিক বিশ্লেষণ এবং সামাজিক পরিসংখ্যানগুলিতে আমার পটভূমি প্রদত্ত আমি বুঝতে পেরেছি। গণিতের প্রয়োগটি সর্বাধিক গুরুত্বপূর্ণ, আমি এই পরিবর্তনগুলি / সূত্রগুলিতে কি প্লাগ ইন করব in


1
আমি আর-তে বক্স সমাধানের বাইরে জানি না, তবে এটি খুব কঠিন হওয়া উচিত নয়। আপনি যদি এর চেয়ে বেশি প্রতিক্রিয়া চান তবে দয়া করে প্রাসঙ্গিক গণিত পোস্ট করুন: "আর সম্ভবত এটি করতে পারে"।
পল হিমস্ট্র্রা

2
আপনি কি ধরণের ফলাফল খুঁজছেন? বৃহত্তম ইগনভ্যালু? মূল উপাদানগুলির একটি আনুমানিক সংখ্যা? প্রধান পদক্ষেপগুলি যথেষ্ট পরিষ্কার হওয়া উচিত - এক পর্যায়ে, ওজন বাছাই করা, ভারিত কোভেরিয়েন্স গণনা করা (বা পারস্পরিক সম্পর্ক) ম্যাট্রিক্স, সেই ম্যাট্রিক্সের এসভিডি থেকে পিসিএ গ্রহণ করুন। একগুচ্ছ পয়েন্টের জন্য পুনরাবৃত্তি করুন। আপনি কি এই পদক্ষেপগুলির কোনও বিশদ অনুসন্ধান করছেন?
whuber

আমার আনন্দ, হাহাকার। আমার বক্তব্য বর্ণনা করার জন্য। এন.আরোজ = ২০ এন.সি.এল = ৩০ বর্গ = সেক (১,6০০) রাস্ট = রাস্টার (ম্যাট্রিক্স (বর্গ, নো = এন.রোজ, বাইরো = টি)) রাস্ট ২ = রাস্টার (ম্যাট্রিক্স (বর্গ, ন = = এন.সি.)) rast2 উল্টানো হয় আপনি যদি নিজের মানচিত্রের দিকে তাকান, আপনি দেখতে পাবেন যে আপনার কাছে আসলে 30 টির পরিবর্তে 20 টি কলাম রয়েছে (এক্স-অক্ষের প্রশস্ত কক্ষগুলি, কেবলমাত্র 20 টি)। শুধু সাহায্য করতে চেয়েছিলেন।

আপনি জানতে আগ্রহী হতে পারেন যে খুব শীঘ্রই GWW PCA সহ আর এর জন্য GW পদ্ধতির একটি নতুন উন্নত প্যাকেজ রয়েছে - এটি গত মাসে GISRUK 2013 এ উপস্থাপিত হয়েছিল।
আনসারজিআইএস

ওপির কাঙ্ক্ষিত বিশ্লেষণের বিস্তৃত বর্ণনার ভিত্তিতে আমি "প্রতিবেশী ম্যাট্রিকের প্রিন্সিপাল স্থানাঙ্ক" (একে, মরানের আইজেনভেেক্টর) সম্পর্কিত সাহিত্যের তদন্তের দৃ strongly় পরামর্শ দেব। এই পদ্ধতিটি প্রথমে প্রস্তাবিত হয়েছিল 'বোরকার্ড ডি, এবং পি। লেজেন্ড্রে (2002) প্রতিবেশী ম্যাট্রিক্সের মূল স্থানাঙ্কের মাধ্যমে বাস্তুসংস্থার তথ্যের সর্বস্তরের স্থানিক বিশ্লেষণে। ইকোলজিকাল মডেলিং 153: 51-68 'এবং একাধিক স্পেসিয়াল স্কেল ডোমেন জুড়ে ডেটা মূল্যায়নের জন্য এটি খুব শক্তিশালী যা এমন কিছু যা জিডব্লুপিসিএ করবে না। এই পদ্ধতিটি স্পেসমেকার এবং পিসিএনএম আর লাইব্রেরিতে প্রয়োগ করা হয়।
জেফ্রি ইভানস

উত্তর:


29

"ভৌগোলিকভাবে ওজনযুক্ত পিসিএ" অত্যন্ত বর্ণনামূলক: Rপ্রোগ্রামটি কার্যত নিজের লেখায়। (এটির কোডের আসল লাইনের চেয়ে কমেন্ট লাইন দরকার))

ওজন দিয়ে শুরু করা যাক, কারণ এটি এখানে পিসিএ থেকে ভৌগলিকভাবে ভারিত পিসিএ যন্ত্রাংশ সংস্থা। "ভৌগলিক" শব্দটির অর্থ ওজন একটি বেস পয়েন্ট এবং ডেটা অবস্থানের মধ্যে দূরত্বগুলির উপর নির্ভর করে। মান - তবে কোনওভাবেই নয় - ওজন একটি গাউসীয় কার্য; এটি হল স্কোয়ার দূরত্ব সহ সূচকীয় ক্ষয়। ব্যবহারকারীর ক্ষয় হার নির্দিষ্ট করতে হবে - বা আরও স্বজ্ঞাতভাবে - একটি বৈশিষ্ট্যযুক্ত দূরত্ব যার উপর একটি নির্দিষ্ট পরিমাণ ক্ষয় ঘটে occurs

distance.weight <- function(x, xy, tau) {
  # x is a vector location
  # xy is an array of locations, one per row
  # tau is the bandwidth
  # Returns a vector of weights
  apply(xy, 1, function(z) exp(-(z-x) %*% (z-x) / (2 * tau^2)))
}

পিসিএ কোনও প্রবক্তা বা পারস্পরিক সম্পর্ক মেট্রিক্সের (যা কোভারিয়েন্স থেকে প্রাপ্ত) প্রযোজ্য। এখানে, তবে, সংখ্যার সাথে স্থিতিশীল উপায়ে ওজনযুক্ত সমবায়াগুলি গণনা করার একটি ফাংশন।

covariance <- function(y, weights) {
  # y is an m by n matrix
  # weights is length m
  # Returns the weighted covariance matrix of y (by columns).
  if (missing(weights)) return (cov(y))
  w <- zapsmall(weights / sum(weights)) # Standardize the weights
  y.bar <- apply(y * w, 2, sum)         # Compute column means
  z <- t(y) - y.bar                     # Remove the means
  z %*% (w * t(z))  
}

প্রতিটি ভেরিয়েবলের পরিমাপের ইউনিটের জন্য স্ট্যান্ডার্ড বিচ্যুতিগুলি ব্যবহার করে পারস্পরিক সম্পর্কটি স্বাভাবিক উপায়ে উত্পন্ন হয়:

correlation <- function(y, weights) {
  z <- covariance(y, weights)
  sigma <- sqrt(diag(z))       # Standard deviations
  z / (sigma %o% sigma)
}

এখন আমরা পিসিএ করতে পারি:

gw.pca <- function(x, xy, y, tau) {
  # x is a vector denoting a location
  # xy is a set of locations as row vectors
  # y is an array of attributes, also as rows
  # tau is a bandwidth
  # Returns a `princomp` object for the geographically weighted PCA
  # ..of y relative to the point x.
  w <- distance.weight(x, xy, tau)
  princomp(covmat=correlation(y, w))
}

(এটি এখন পর্যন্ত এক্সিকিউটেবল কোডের নেট 10 লাইন the


আসুন প্রশ্নে বর্ণিতগুলির সাথে তুলনীয় কিছু এলোমেলো নমুনার ডেটা দিয়ে চিত্রিত করুন: 550 স্থানে 30 ভেরিয়েবল।

set.seed(17)
n.data <- 550
n.vars <- 30
xy <- matrix(rnorm(n.data * 2), ncol=2)
y <- matrix(rnorm(n.data * n.vars), ncol=n.vars)

ভৌগোলিকভাবে ওজনযুক্ত গণনাগুলি প্রায়শই কোনও নির্বাচিত লোকেশনগুলির সেটগুলিতে যেমন ট্রান্সেক্ট বা একটি নিয়মিত গ্রিডের পয়েন্টে সঞ্চালিত হয়। আসুন ফলাফলগুলি সম্পর্কে কিছু দৃষ্টিকোণ পেতে একটি মোটা গ্রিড ব্যবহার করুন; পরে - একবার আমাদের আত্মবিশ্বাস হয়ে যায় যে সবকিছু কাজ করছে এবং আমরা যা চাই তা পাচ্ছি - আমরা গ্রিডটি পরিমার্জন করতে পারি।

# Create a grid for the GWPCA, sweeping in rows
# from top to bottom.
xmin <- min(xy[,1]); xmax <- max(xy[,1]); n.cols <- 30
ymin <- min(xy[,2]); ymax <- max(xy[,2]); n.rows <- 20
dx <- seq(from=xmin, to=xmax, length.out=n.cols)
dy <- seq(from=ymin, to=ymax, length.out=n.rows)
points <- cbind(rep(dx, length(dy)),
                as.vector(sapply(rev(dy), function(u) rep(u, length(dx)))))

প্রতিটি পিসিএ থেকে আমরা কী তথ্য ধরে রাখতে চাই তা নিয়ে একটি প্রশ্ন রয়েছে। সাধারণত, এন ভেরিয়েবলের জন্য একটি পিসিএ এন ইজেনভ্যালুগুলির একটি সাজানো তালিকা প্রদান করে এবং - বিভিন্ন আকারে - এন ভেক্টরগুলির একটি তালিকা , প্রতিটি দৈর্ঘ্য এন । মানচিত্রে এটি এন * (এন + 1) নম্বর! প্রশ্ন থেকে কিছু ইঙ্গিত নেওয়া যাক, আসল মানচিত্রগুলি ম্যাপ করুন। এগুলি অ্যাট্রিবিউটের gw.pcaমাধ্যমে আউটপুট থেকে বের করা হয় $sdev, যা উত্পন্ন মান দ্বারা ইগেনভ্যালুগুলির তালিকা।

# Illustrate GWPCA by obtaining all eigenvalues at each grid point.
system.time(z <- apply(points, 1, function(x) gw.pca(x, xy, y, 1)$sdev))

এটি এই মেশিনে 5 সেকেন্ডেরও কম সময়ে সম্পূর্ণ হয়। লক্ষ করুন যে 1 এর একটি বৈশিষ্ট্যযুক্ত দূরত্ব (বা "ব্যান্ডউইথ") কলটিতে ব্যবহৃত হয়েছিল gw.pca


বাকীটি আপকে তোলার বিষয়। rasterলাইব্রেরি ব্যবহার করে ফলাফলগুলি ম্যাপ করুন (পরিবর্তে, কোনও জিআইএসের সাথে পোস্ট-প্রসেসিংয়ের জন্য গ্রিড ফর্ম্যাটে ফলাফল লিখতে পারে))

library("raster")
to.raster <- function(u) raster(matrix(u, nrow=n.cols), 
                                xmn=xmin, xmx=xmax, ymn=ymin, ymx=ymax)
maps <- apply(z, 1, to.raster)
par(mfrow=c(2,2))
tmp <- lapply(maps, function(m) {plot(m); points(xy, pch=19)})

মানচিত্র

এগুলি 30 টি মানচিত্রের মধ্যে প্রথম চারটি যা চারটি বৃহত্তম ইগন্যালুগুলি দেখায়। (তাদের আয়তন, যা প্রতি অবস্থানে 1 অতিক্রম দ্বারা উত্তেজিত না পেতে রিকল যে। এই তথ্য সম্পূর্ণভাবে এলোমেলোভাবে উত্পন্ন হয় এবং সেইজন্য, যদি তারা একেবারেই কোনও পারস্পরিক সম্পর্ক গঠন আছে - যা এই মানচিত্রে largish eigenvalues ইঙ্গিত বলে মনে হচ্ছে - এটি কেবলমাত্র সুযোগের কারণে এবং ডেটা উত্পন্ন প্রক্রিয়াটি ব্যাখ্যা করে এমন কিছু "বাস্তব" প্রতিফলিত করে না))

এটি ব্যান্ডউইথ পরিবর্তন করার জন্য শিক্ষণীয়। যদি এটি খুব ছোট হয় তবে সফ্টওয়্যারটি এককতার বিষয়ে অভিযোগ করবে। (আমি এই নগ্ন-হাড় প্রয়োগে কোনও ত্রুটি তৈরি করিনি)) তবে এটি 1 থেকে 1/4 কমানো (এবং আগের মতো একই ডেটা ব্যবহার করা) আকর্ষণীয় ফলাফল দেয়:

মানচিত্র 2

সীমানার চারপাশের পয়েন্টগুলির জন্য অস্বাভাবিকভাবে বড় অধ্যুষিত ইগেনালুগুলি দেওয়ার জন্য প্রবণতাটি লক্ষ্য করুন (উপরের বাম হাতের মানচিত্রের সবুজ অবস্থানগুলিতে দেখানো হয়েছে), অন্য সমস্ত ইগেনভ্যালু ক্ষতিপূরণ দিতে হতাশাগ্রস্থ হয়েছেন (অন্য তিনটি মানচিত্রে হালকা গোলাপী দেখানো হয়েছে) । এই ঘটনাটি, এবং পিসিএ এবং ভৌগলিক ওজন সম্পর্কিত অনেক সূক্ষ্মতাগুলি, পিসিএর ভৌগলিকভাবে ভারিত সংস্করণটির ব্যাখ্যা করার জন্য নির্ভরযোগ্যভাবে আশা করার আগে বুঝতে হবে। এবং তারপরে অন্য 30 * 30 = 900 ইগেনভেেক্টর (বা "লোডিং") বিবেচনা করার জন্য রয়েছে ...


1
যথারীতি @ শুভর মত লক্ষণীয়, আপনাকে অনেক ধন্যবাদ!
মাইকেল মার্কিয়েটা

1
শুধু আপনাকে সচেতন করে তুলতে চেয়েছিলাম যে টু.রেস্টার ফাংশনে আপনার ম্যাট্রিক্সের (ম, ইউ = নো = এন.সি.এল) পরিবর্তে ম্যাট্রিক্স (ইউ, নরো = এন.রোজ, বাইরো = ট্রু) থাকা দরকার।

1
@cqh এই কোডটি এত যত্ন সহকারে দেখার জন্য আপনাকে ধন্যবাদ! আপনি বৈধ উদ্বেগের দিকে ইঙ্গিত করেছেন; আমি এই সমস্যাটি মোকাবেলা করার কথা মনে করি। যাইহোক, আমি মনে করি কোডটি যেমন দাঁড়িয়েছে ঠিক সঠিক। যদি আমি সারি / কলাম ক্রমটি মিশ্রিত করে থাকি তবে চিত্রগুলি সম্পূর্ণ (এবং স্পষ্টতই) স্ক্রুযুক্ত হবে। (এ কারণেই আমি বিভিন্ন সারি এবং কলামের গণনা দিয়ে পরীক্ষা করেছি)) দুর্ভাগ্যজনক অভিব্যক্তিটির জন্য আমি ক্ষমাপ্রার্থী nrow=n.cols, তবে এটি কীভাবে কার্যকর pointsহয়েছিল (কীভাবে তৈরি হয়েছিল তার ভিত্তিতে ) এবং আমি ফিরে গিয়ে সমস্ত কিছুর নাম পরিবর্তন করতে চাইনি।
whuber

14

হালনাগাদ:

CRAN - GWmodel এ এখন একটি বিশেষায়িত আর প্যাকেজ উপলব্ধ রয়েছে যা অন্যান্য সরঞ্জামগুলির মধ্যে ভৌগলিকভাবে ওজনযুক্ত পিসিএ অন্তর্ভুক্ত করে। লেখকের ওয়েবসাইট থেকে :

ভৌগোলিকভাবে ভারী মডেলিং, জিডব্লিউমডেলের জন্য আমাদের নতুন আর প্যাকেজটি সম্প্রতি সিআরএএন-এ আপলোড করা হয়েছিল। জিডব্লিউডেল একক প্যাকেজের মধ্যে ভৌগোলিকভাবে ওজনযুক্ত ডেটা বিশ্লেষণ পদ্ধতির পরিসীমা সরবরাহ করে, এর মধ্যে বর্ণনামূলক পরিসংখ্যান, পারস্পরিক সম্পর্ক, রিগ্রেশন, সাধারণ লিনিয়ার মডেল এবং প্রধান উপাদান বিশ্লেষণ অন্তর্ভুক্ত রয়েছে। রিগ্রেশন মডেলগুলিতে গাউসিয়ান, লজিস্টিক এবং পোইসন কাঠামোগুলির সাথে সম্পর্কিত তথ্যের পাশাপাশি প্রাসঙ্গিক পূর্বাভাসকারীদের সাথে ডিল করার জন্য রিজ রিগ্রেশন অন্তর্ভুক্ত রয়েছে। এই প্যাকেজের একটি নতুন বৈশিষ্ট্য হ'ল প্রতিটি প্রযুক্তির শক্তিশালী সংস্করণগুলির বিধান - এগুলি বহিরাগতদের প্রভাবের বিরুদ্ধে প্রতিরোধী।

মডেলিংয়ের জন্য অবস্থানগুলি হয় কোনও অনুমানীকৃত স্থানাঙ্ক সিস্টেমে বা ভৌগলিক স্থানাঙ্কগুলি ব্যবহার করে নির্দিষ্ট করা যেতে পারে। দূরত্বের মেট্রিকগুলিতে ইউক্লিডিয়ান, ট্যাক্সিক্যাব (ম্যানহাটন) এবং মিনকোভস্কি পাশাপাশি অক্ষাংশ / দ্রাঘিমাংশ স্থানাঙ্ক দ্বারা নির্দিষ্ট স্থানগুলির জন্য গ্রেট সার্কেল দূরত্ব অন্তর্ভুক্ত রয়েছে। বিভিন্ন স্বয়ংক্রিয় ক্রমাঙ্কন পদ্ধতিও সরবরাহ করা হয় এবং বিকল্প অনুমানকারীদের থেকে নির্বাচন করতে সহায়তা করার জন্য কিছু সহায়ক মডেল বিল্ডিং সরঞ্জাম রয়েছে।

উদাহরণস্বরূপ ডেটাসেটগুলিও সরবরাহ করা হয়, এবং সেগুলি বিভিন্ন কৌশলগুলির ব্যবহারের চিত্রগুলিতে সহিত ডকুমেন্টেশনে ব্যবহৃত হয়।

একটি প্রাকদর্শন আইএনএ আরো বিস্তারিত আসন্ন কাগজ


আমি সন্দেহ করি যদি কোনও 'ব্যবহারের জন্য প্রস্তুত, আপনার ডেটা প্লাগ ইন করুন' সমাধান উপস্থিত থাকে। তবে আমি খুব ভুল প্রমাণিত হবার আশা করছি যেহেতু আমি আমার কিছু ডেটা দিয়ে এই পদ্ধতিটি পরীক্ষা করতে পছন্দ করি।

কিছু বিকল্প বিবেচনা করুন:


মারে-ডেল ওলমো এবং সহকর্মীরা স্পেনের ছোট ছোট অঞ্চলের বঞ্চনা সূচক গণনা করতে বায়েশিয়ান ফ্যাক্টর বিশ্লেষণ ব্যবহার করেছিলেন:

বয়েসিয়ান ফ্যাক্টর বিশ্লেষণ একটি বঞ্চনা সূচক এবং তার অনিশ্চয়তা গণনা করার জন্য। মারা-ডেল'আলমো এম, মার্টিনিজ-বেনিটো এমএ, বোরেল সি, জুরিরিগা ও, নোলাস্কো এ, ডোমঙ্গুয়েজ-বার্জন এমএফ। মহামারীবিজ্ঞান । 2011 মে; 22 (3): 356-64।

নিবন্ধে তারা আর থেকে কার্যকর করা উইনবিইউজিএস মডেলের স্পেসিফিকেশন সরবরাহ করে যা আপনাকে শুরু করতে পারে।


অ্যাডজেনেট আর প্যাকেজ কার্যকরspcaকরে। যদিও এটি জিনগত তথ্যগুলিতে ফোকাস করে তবে এটি আপনার সমস্যার সমাধান হিসাবে যেমন আপনি পেতে পারেন তত কাছাকাছি হতে পারে। হয় এই প্যাকেজ / ফাংশনটি সরাসরি ব্যবহার করে বা এর কোডটি সংশোধন করে সমস্যাটিরএকটি ভাইনেট রয়েছে যা আপনাকে উঠতে এবং চলতে হবে।


গবেষকরা কৌশলগত গবেষণা ক্লাস্টার সক্রিয়ভাবে বিষয়ে কাজ করা বলে মনে হয়। বিশেষত পল হ্যারিস এবং ক্রিস ব্রুনসডন (এখানে উপস্থাপনাটি আমি হোঁচট খেয়েছি )। পল এবং উরসকার সাম্প্রতিক প্রকাশনা ( সম্পূর্ণ পাঠ্য ) হতে পারে দরকারী সংস্থান:

ডেমার ইউ, হ্যারিস পি, ব্রুনসডন সি, ফাদারিংহাম এএস, ম্যাকলুন এস (২০১২) স্থানিক তথ্য সম্পর্কিত প্রধান উপাদানগুলির বিশ্লেষণ: একটি ওভারভিউ। অ্যাসোসিয়েশন অফ আমেরিকান জিওগ্রাফারগুলির অ্যানালস

আপনি কেন তাদের সাথে যোগাযোগ করার চেষ্টা করছেন এবং তারা ঠিক কী সমাধানগুলি ব্যবহার করছে তা জিজ্ঞাসা করার চেষ্টা করছেন না? তারা তাদের কাজ ভাগ করে নিতে বা আপনাকে একটি ভাল দিক নির্দেশ করতে ইচ্ছুক হতে পারে।


চেং, কিউ। (2006) চিত্রসমূহের প্রক্রিয়াজাতকরণের জন্য স্থানিক এবং স্থানিক ওজনীয় মূল উপাদানগুলির বিশ্লেষণ। আইগারস 2006: 972-975

কাগজে জিওডাস জিআইএস সিস্টেম ব্যবহারের উল্লেখ রয়েছে । অন্য নেতৃত্ব হতে পারে।


2
+1 ব্রুনসডন উপস্থাপনা স্থানীয় মাল্টিভারিয়েট আউটলেয়ারদের খুঁজে পাওয়ার জন্য পিসিএকে একটি অনুসন্ধানের সরঞ্জাম হিসাবে ব্যবহারের উপর জোর দেয়। (এই ব্যবহারটি spcaভিনগেটেও বৈশিষ্ট্যযুক্ত ।) এটি জিডব্লিউপিসিএর জন্য একটি শক্তিশালী এবং বৈধ ব্যবহার। (তবে, এই পদ্ধতিটি আরও উন্নত হতে পারে, এবং অনুসন্ধানের স্থানিক তথ্য বিশ্লেষণের
চেতনাতে

দেখে মনে হচ্ছে কোনও বিকল্প কার্নেল পিসিএ হবে। উপজাতিসামগ্রী পরিবর্তন.অর্গ
জেফ্রি ইভান্স

1
আপডেট হওয়া তথ্যের জন্য ধন্যবাদ - এটি GWmodelঅর্জনের মতো প্যাকেজের মতো দেখাচ্ছে।
whuber
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.