Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Dados Espaciais:
Uma Breve Introduo
Y = aX + b
Exemplos?
NETER J. et al. Applied Linear Statistical Models. Boston, MA: McGraw-Hill, 1996.
Objetivos da Anlise de Regresso
Yi 0 1 X i i
onde:
Yi o valor da varivel resposta na i-sima observao;
0 e 1 so parmetros;
Xi uma constante conhecida; o valor da varivel
preditora na i-sima observao;
i um termo de erro aleatrio com mdia zero e varincia
constante 2 (E(i)=0 e 2 (i)= 2 )
i e j so no correlacionados (independentes) para i j
(2 (i,j)= 0 )
Modelo de Regresso Linear
Intercepto Inclinao
Populacional Populacional Varivel Preditora
Yi=0+1Xi +i
Varivel Erro
Resposta Aleatrio
Yi
Y i Y = E(Y) = 0 + 1 X
1 Coeficiente
angular i=b0+b1Xi Modelo estimado
0 i =Yi-i Resduo
X
Significado de 0 e 1
Os parmetros 0 e 1 so denominados
coeficientes de regresso:
1. 1 a inclinao da reta de regresso. Ela indica a
mudana na mdia de Y quando X acrescido de
uma unidade.
2. 0 o intercepto em Y da equao de regresso ( o
valor de Y quando X = 0.)
0 s tem significado se o modelo incluir X = 0.
E[Yi ] X i
Y 0 1
0
X
yi = 0 + 1xi
y
x=1
1 y
x
x x+1
0 (intercepto); quando a regio experimental inclui X=0, 0 o valor da
mdia da distribuio de Y em X=0, cc, no tem significado prtico
como um termo separado (isolado) no modelo; 1 (inclinao) expressa a
taxa de mudana em Y, isto , a mudana em Y quando ocorre a
mudana de uma unidade em X. Ele indica a mudana na mdia da
distribuio de probabilidade de Y por unidade de acrscimo em X.
Fonte: Slide de Paulo Jos Ogliari, Informtica, UFSC. Em http://www.inf.ufsc.br/~ogliari/cursoderegressao.html
Premissas
1) Distribuio Normal Para um valor fixo da
varivel aleatria X, Y uma varivel aleatria
com distribuio Normal (com mdia e varincias
finitas);
Yi ~ N(E(y/x); 2)
2) Linearidade
Todos os valores mdios de Y (E(y/x)=Y/x)
permanecem sobre uma reta, para um particular
valor de X.
E(y/x)=y/x = 0 + 1x
Premissas
3) Independncia
Os valores de Yi e Yj so estatisticamente
independentes.
4) Homocedasticidade
A varincia de Y igual, qualquer que
seja X.
Modelos de Regresso
Yi
i
E(Yi) = 20,00
0 (1,33;1,67)
Y = b0 + b1 X + b2 X + e 2
i = Yi (0 + 1 Xi)
Estimao dos parmetros
( X X )(Y Y )
i i
0 Y 1 X 1 i 1
n
(
i 1
Xi X ) 2
Inferncia
Testando se a inclinao 1 zero.
1. Construir intervalos de confiana para : 1
0,14
tn-2
0,12
H 0 : 1 0 0,06
0,04 1a
Ha : 1 0 0,02
a/2 a/2
0
0 - 5 -t1-a/2;n-2 10
0 t1-a/2;n-2 15 +
1 i 1
Varincia
s (b1 ) =
2 QMR
( Xi -X )
estimada: 2
n
(X X )
i 1
i
2
SQR
QMR =
n- p
Distribuio da estatstica studentizada ( desconhecido)
b1 - b1
~ t(n - 2).
s(b1 )
Intervalo de confiana
H 0 : 1 0 b1 - b1
0,1
t* =
0,08
Ha : 1 0 s(b1 )
0,06
0,04 1a
0,02
a/2 a/2
0
0 - 5 -t1-a/2;n-2 10
0 t1-a/2;n-2 15 +
H0 : 0 0
H1 : 0 0
Yi Y (Yi Y ) (Yi Y )
Desvio
Total Desvio Explicado Desvio No-explicado
pelo Modelo pelo Modelo
Elevando-se ao quadrado os dois lados da igualdade e
fazendo-se a soma para todas as observaes de uma
determinada amostra tem-se que:
n n n
(Y
i 1
i Y )2
(Y
i 1
i Y )2
(Yi
i 1
Y ) 2
(Yi
i 1
Y ) (Yi
i 1
Y ) 2
(Yi Y
i 1
) 2
SQM
Gostaramos, portanto, que fosse prximo de 1.
SQT
Coeficiente de determinao
Uma medida do efeito de X em reduzir a variabilidade do
Y :
SQM SQT - SQR SQR Note que: 0 R2 1
R2 1
SQT SQT SQT
r R 1 r 1
2
Coeficiente de determinao
r R2 1 r 1
Temos dois casos extremos:
H 0 : 1 2 ...k 0
QMModelo
F* = onde Fc ~ F p-1, n-p
QMErro
F= * SQR(R)-SQR(C)
glr -glc SQR(C)
glc ~ F(1- a;glr -glc,glc )
F * F(1- a;glr - glc , glc ) aceita H 0
F * > F(1- a;glr - glc , glc ) rejeita H 0
Compara as somas de quadrados dos erros do modelo completo (SQR(C)) e reduzido (SQR(R)).
O modelo reduzido adequado (no rejeita H0) se SQR(C) no for muito menor que (SQR(R))
Etapas da Anlise de Regresso
Linearidade
Resduo do modelo
X
No Linearidade
Anlise dos Resduos
Normalidade dos resduos: Suposio essencial para
que os resultados do ajuste do modelo sejam confiveis
Varincia No Constante
Resduo
Presena de outliers
0,8
Resduos Padronizados
0,6
0,4
0,2
0
150 155 160 165 170 175 180 185
-0,2
-0,4
X
Independncia
Resduo
X
Erros Correlacionados
0
Resduo
X
Anlise dos Resduos
DADOS ESPACIAIS
Efeitos Espaciais
Se existir forte tendncia ou correlao espacial,
os resultados sero influenciados, apresentando
associao estatstica onde no existe (e vice-
versa).
Anlise dos Resduos
Como verificar?
Medir a autocorrelao espacial dos
resduos da regresso (ex. ndice de
Moran dos resduos)
Exemplo
So Jos dos Campos
Crescimento Populacional 91-00 X Densidade Populacional 91
1. Mapear os resduos da
regresso ndcios de
correlao
2. ndice de Moran sobre
mapa de resduos I=0,45
3. Testes de pseudo-
significncia indicam
autocorrelao espacial
Autocorrelao Espacial Constatada!!!
As observaes no so independentes
espacialmente.
E agora?
Regresso Espacial
Incorpora a estrutura de dependncia
espacial no modelo
PREMISSA:
Assumimos que conhecemos a estrutura de
dependncia espacial (ela no estimada)
Premissa forte? Sim!
Porm no to forte quanto assumir que todas as
observaes so independentes espacialmente
Matrizes de ponderao tipicamente consideradas:
contiguidade (queen, rook...) ou distncia (k vizinhos
mais prximos...)
Regresso Espacial
Global Local
Estatsticas dizem respeito Disagregaes locais das
regio como um todo (1 valor) estatsticas globais (Muitos
valores)
Estatsticas globais e no Estatsticas locais e mapeveis
mapeveis
nfase nas similaridades da nfase nas diferenas ao longo
regio do espao
Procura regularidades ou leis Procura por excees ou hot-
spots locais
Ex.: Regresso Clssica, Spatial Ex.: GWR, Regimes Espaciais
Lag, Spatial Error
Adaptado de: Fotheringham, A.S., Brunsdon, C., and Charlton, M.E., 2002, Geographically Weighted
Regression: The Analysis of Spatially Varying Relationships, Chichester: Wiley.
Modelos com Efeitos Espaciais Globais
Premissa:
possvel capturar a estrutura de correlao espacial
num nico parmetro (adicionado ao modelo de
regresso).
Alternativas:
Spatial Lag Models (SAR): atribuem a autocorrelao
espacial varivel resposta Y. (Spatial Autoregressive
Modeling)
Spatial Error Models (CAR): atribuem a autocorrelao
ao erro. (Conditional Autoregressive Modeling)
Spatial Lag Model (LAG)
Hiptese
a varivel Yi afetada pelos valores da varivel
resposta nas reas vizinhas a i:
Y = WY + X +
Hiptese:
As observaes so interdependentes graas a variveis
no mensuradas, e que so espacialmente
correlacionadas
Ou seja: efeitos espaciais so um rudo
Por que ele ocorre? Porque no conseguimos modelar
todas as caractersticas de uma unidade geogrfica que
podem influenciar as regies vizinhas.
Assume que, se pudssemos adicionar as variveis certas
para remover o erro do modelo, o espao no importaria
mais.
Spatial Error Model (CAR)
Modelo:
Y = X +
= W +
Diagnstico:
Testes Multiplicadores de Langrange
(Langrange Multiplier Tests, Anselin et al. 1996)
Executa regresso dos resduos em relao s variveis
originais e aos resduos das reas vizinhas
LM-Lag: testes para dependncia em relao s variveis
originais nas reas vizinhas lag dependence /missing error
LM-Error: testes para dependncia em relao aos resduos
nas reas vizinhas - error dependence / missing lag
Premissa:
processo espacial analisado
estacionrio e pode ser capturado em
um nico parmetro.
Spatial Lag Model X Spatial Error Model
% Excluso
No significantes
p = 0.05 [95% (1,96)]
p = 0.01 [99% (2,54)]
p = 0.001 [99,9% (3,2)]
Modelos com Efeitos Espaciais Locais
Y2 X 2 2 2 para Ind=2
Y3 X 3 3 3 para Ind=3
Regionalizaes da
rea de estudo
Diferentes tipos de
variabilidade espacial
Mtricas: Diagrama de
espalhamento e ndices
locais e globais
regionalizao tipo k-
medias espacial
Regresso Linear
R2 = 0,35
Regresso Espacial
Regies Adm (R2 = 0,72)
Regimes Espaciais (R2 = 0,83)
Longevidade X renda
Regresso Spatial Lag Regimes
simples espaciais (3)
Y(s) = (s)X +
LARGURA DE BANDA
Adaptado de: Fotheringham, A.S., Brunsdon, C., and Charlton, M.E., 2002, Geographically Weighted
Regression: The Analysis of Spatially Varying Relationships, Chichester: Wiley.
Ajuste do Modelo GWR
Modelos locais vs. Modelos Globais
Com
R, aRT + TerraView
R-Spatial Project:
http://cran.r-project.org/web/views/Spatial.html
Outros Tutoriais
Spatial Regression Analysis: A Workbook (Luc Anselin):
http://geodacenter.asu.edu/system/files/rex1.pdf