.png){kind=icon}
返回
Multiscale Kernel Function for Multiscale Geographical Weighted Regression
.png){kind=icon}
PRE
AI
DOI：10.1080/24694452.2025.2608176.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多尺度地理加权回归 (MGWR) 允许解释变量在不同的空间尺度上表现出空间非平稳关系。然而，传统的MGWR假设每个变量的空间非平稳性受单个空间尺度的影响。这项研究放松了这一假设，提出空间非平稳性不仅是特定于变量的，而且即使是单个变量也可以同时由多个空间尺度塑造。拟议的扩展称为双多尺度地理加权回归 (M2GWR)，将线性多尺度核函数合并到MGWR中。通过利用算法和硬件的进步，开发了一种用于M2GWR的有效系数估计技术。此外，还引入了两个伪带宽参数作为空间非平稳性的诊断，从而可以检测和解释特定于变量的多尺度效应。仿真实验表明，M2GWR在系数估计精度 (平均绝对误差 [MAE]) 和模型拟合 (修正的Akaike的信息准则 [AICc]) 方面始终优于MGWR。伪带宽参数有效地区分了变量之间的多尺度模式，并在一定程度上捕获了作用于各个变量的组合多尺度影响。计算结果还揭示了效率的实质性改进。实际应用进一步验证了M2GWR的有效性，显示了R2的增益，调整后的R2，AICc，局部条件数以及残差的空间自相关性降低。总体而言，我们的发现将M2GWR定位为用于建模复杂的空间非平稳关系的强大而有效的框架。
Keyword:
cost-effective
multiscale geographically weighted regression
multiscale kernel function
spatial nonstationarity relationship
期刊
IF:
2.9
论文数:
1.4K
被引数:
4.5K
机构
引用论文
On the calibration of multiscale geographically and temporally weighted regression models关于多尺度地理和时间加权回归模型的校准
.png){kind=icon}
PREAI
分享收藏Multiscale geographically and temporally weighted regression: exploring the spatiotemporal determinants of housing prices多尺度地理和时间加权回归: 探索房价的时空决定因素
PREAI
分享收藏分享收藏Multiscale cooperative optimization in multiscale geographically weighted regression models多尺度地理加权回归模型中的多尺度合作优化
PREAI
分享收藏An interior algorithm for nonlinear optimization that combines line search and trust region steps结合线搜索和信赖域步骤的非线性优化的内部算法
OAAI
OAAI分享收藏分享收藏
查看更多内容