La régression géographiquement pondérée ( ou ) est une régression adaptée au domaine de l'analyse spatiale et tenant compte de la dépendance géographique . Alors que dans la régression classique il est présupposé que le phénomène est stationnaire dans l'espace étudié, dès que l'analyste géographe observe une dépendance entre l'observation et le lieu géographique, il doit employer un modèle non stationnaire tels que GWR, CAR ou SAR.

Description

Formellement, le modèle peut s'écrire, en tout point (i,j) de l'espace géographique étudié : où les sont estimés par :

La matrice où chaque est porteur de la dépendance spatiale locale et s'exprime à l'aide d'une fonction noyau () du type gaussienne comme par exemple où est une mesure de la distance entre la observation et le point de coordonnées spatiales (i,j), h est largeur de bande.

Utilisation L'utilisation de cette régression est conseillée dès que le résidu est géographiquement dépendant . On l'utilise donc dans la fouille de données spatiales.

La distance utilisée pour décrire la diminution du poids avec l'éloignement peut être la distance euclidienne quand les points sont repérés en coordonnées cartésienne ou bien la distance du grand cercle quand les coordonnées sphériques sont employées.

Notes et références Notes

Références

Voir aussi Bibliographie .

Articles connexes Régression linéaire Régression linéaire multiple Régression logistique Modèle linéaire généralisé Régression non paramétrique Modèles de régression multiple postulés et non postulés Auto-régression simultanée Auto-régression conditionnelle Champ aléatoire de Markov

Analyse spatiale Système d'information géographique Glossaire du data mining Exploration de données

Liens externes Hans-Peter Kriegel, Spatial Data Mining

Catégorie:Ingénierie décisionnelle Catégorie:Exploration de données Catégorie:Analyse spatiale Catégorie:Estimation (statistique) géo

en:Spatial analysis#Spatial regression