The Spatial Extent of Criminogenic Places: A Changepoint Regression of Violence around Bars

Crime scientists have long known that crime clusters near certain places such as drinking establishments, although the spatial parameters of that clustering are less established. This article proposes a methodology to estimate a distance beyond which there is significantly less evidence of a correlation between locations and concentrations of crime. The technique uses changepoints derived from a segmented regression applied to spatial buffers emanating from around particular crime‐generating land uses. Geographic information system techniques are used to create a series of buffers to determine the density of crime around sites. A changepoint Poisson regression of the buffer midpoints is used to estimate the distance beyond which crime densities do not appear to decline significantly with increasing distance. A case study of violent crime around 1,282 bars in Philadelphia, Pennsylvania, for 2008 reveals that violence is highly clustered within 25.9 m (85 feet) then dissipates rapidly, a pattern that is not replicated using control sites (fire stations). This is an estimate of the spatial extent of violence around bars, and the technique could be used to estimate the extent of other crimes around a variety of crime‐generating locations. Expertos en el estudio del crimen saben desde hace tiempo que los delitos violentos se concentran cerca de algunos lugares tales como establecimientos de bebidas, aunque los parámetros espaciales de dichas aglomeraciones son menos conocidos. Este artículo propone una metodología para estimar la distancia máxima a partir de la cual hay significativamente menos evidencia de una correlación entre puntos de interés y las aglomeraciones de crimen. La técnica empleada utiliza puntos de cambio (changepoints) derivados de una regresión segmentada (segmented regression) aplicada a las zonas de amortiguamiento (buffers) generadas en torno a usos del suelo particulares asociados a delincuencia. Técnicas SIG (Sistema de Información Geográfica) son utilizadas para crear una serie de buffers y determinar la densidad de delitos en torno a la ubicación de cada establecimiento (bar). Una regresión Poisson de tipo changepoint de los puntos medios de los buffers es empleada para estimar la distancia a partir de la cual las densidades del crimen no disminuyen significativamente con la distancia. Un estudio de caso de los delitos violentos en torno a 1.282 bares en Filadelfia, Pennsylvania en 2008 revela que la violencia está muy concentrada dentro de un radio de 25.9 m (85 pies) y luego se disipa rápidamente, un patrón que no se replica cuando el análisis es aplicado a sitios de control (estaciones de bomberos). El resultado es una estimación de la extensión espacial de la violencia alrededor de bares y la conclusión que la técnica podría ser utilizada para estimar la extensión de otros delitos en torno a una gran variedad de lugares asociados con la generación de la delincuencia. 犯罪学家早已明晰犯罪集聚于某些特定区域（如酒吧）的周围,尽管较少地构建这类聚集的空间参数。本文提出了一种方法可估算在一定距离之外,区位与犯罪集聚程度间相关性呈显著减少的证据。将从分段回归中获得的变异点应用于犯罪发生地的空间缓冲区。地理信息系统（GIS）技术用于产生一系列缓冲区以确定地点周围的犯罪密度。缓冲区中点的变异点泊松回归用于估算超出犯罪密度区不呈现随距离增加而显著衰退的距离。本文以宾夕法尼亚州费城1282个酒吧周围暴力犯罪为案例进行研究,揭示出2008年暴力犯罪集聚于25.9m的范围内,并在该距离之外的迅速消失,而当控制点选为消防站时该格局不再出现。实验表明,这是一种估算酒吧暴力犯罪空间范围的方法,并且该技术可用于估算不同类型犯罪产生地的距离范围。     

Geoadditive Models for Regional Count Data: An Application to Industrial Location

We propose a geoadditive negative binomial model (Geo‐NB‐GAM) for regional count data that allows us to address simultaneously some important methodological issues, such as spatial clustering, nonlinearities, and overdispersion. This model is applied to the study of location determinants of inward greenfield investments that occurred during 2003–2007 in 249 European regions. After presenting the data set and showing the presence of overdispersion and spatial clustering, we review the theoretical framework that motivates the choice of the location determinants included in the empirical model, and we highlight some reasons why the relationship between some of the covariates and the dependent variable might be nonlinear. The subsequent section first describes the solutions proposed by previous literature to tackle spatial clustering, nonlinearities, and overdispersion, and then presents the Geo‐NB‐GAM. The empirical analysis shows the good performance of Geo‐NB‐GAM. Notably, the inclusion of a geoadditive component (a smooth spatial trend surface) permits us to control for spatial unobserved heterogeneity that induces spatial clustering. Allowing for nonlinearities reveals, in keeping with theoretical predictions, that the positive effect of agglomeration economies fades as the density of economic activities reaches some threshold value. However, no matter how dense the economic activity becomes, our results suggest that congestion costs never overcome positive agglomeration externalities. Nuestra propuesta se basa en un modelo geoaditivo binomial (Geo‐NB‐GAM) para datos de recuento regionales (regional count data) que nos permitan abordar simultáneamente distintos temas metodológicos importantes como la concentración espacial (clustering), no linealidades y sobre‐dispersión. Este modelo es aplicado al estudio de determinantes de localización de nuevas inversiones de tipo greenfield internas (inward greenfield investments) que se dieron entre 2003 y 2007, en 249 regiones europeas. Luego de presentar el conjunto de datos y de mostrar la presencia de sobre‐dispersión y agrupación (concentración) espacial, examinamos el marco teórico que motiva los determinantes de localización incluidos en el modelo empírico, y resaltamos algunas de las razones por las que las relaciones entre ciertas co‐variables y la variable dependiente podrían ser no lineales. La sección subsiguiente comienza con descripción de las soluciones propuestas por la literatura anterior para abordar la concentración espacial, no linealidades, y sobre‐dispersión, para luego presentar el Geo‐NB‐GAM. El análisis empírico muestra el buen desempeño del Geo‐NB‐GAM. Particularmente, la inclusión del componente geo‐aditivo (una superficie de tendencia espacial suavizada) nos permite controlar heterogeneidades espaciales no observadas que inducen a la concentración espacial. Al permitir no linealidades se revela ‐continuando con las predicciones teóricas‐ que el efecto positivo de las economías de aglomeración se desvanece a medida que la densidad de las actividades económicas alcanza un umbral de valor. Sin embargo, sin importar cuán densa llegue a ser la actividad económica, nuestros resultados sugieren que los costes de congestión nunca superan las externalidades de aglomeración positivas. 本文提出了一种应用于区域统计数据的负二项式地理加性模型,它能够同时处理包括空间聚类、非线性和过度离散等多种重要的方法论问题。将该模型应用于2003‐2007年的249个欧洲案例区,探讨其内部绿地投资的区位因子。在揭示了数据集样本分布具有过度离散与空间聚类特征后,我们对所构建的关于区位驱动因子的实证模型进行了核查,以确定是否遗漏重要变量,并高亮显示为何有些变量与因变量的关系可能是非线性的。本文后续部分首先描述了已有文献在解决空间聚类、非线性与过度离散等情景下的解决方案,并简要介绍了本文的Geo‐NB‐GAM模型。实证分析表明,该模型具有良好的模拟效果,尤其是地理加性成分（一种平滑的空间趋势面）在处理包括空间聚类在内的未被关注的空间异质性。非线性模型揭示出集聚经济的正向效应,随着经济活动密度阈值呈衰减趋势,这一点和理论预测是一致的。然而,本文结果显示无论经济活动的密度呈现何种变化,正向集聚的外部效应仍大于拥挤成本。.     

Evaluation of a Spatial Relationship by the Concept of Intrinsic Spatial Distance

We propose the concept of intrinsic spatial distance (ISD) for the study of a spatial relationship between any two points in space. ISD is a distance measure that takes into account the separation of two points with respect to their physical and attribute closeness. We construct an algorithm to implement this concept as an ISD measurement. Based on the ISD concept, two points in space are related through a transitional path linking one to the other. As an ISD measurement decreases, the spatial relationship between two points becomes increasingly stronger. We argue theoretically and demonstrate empirically that the ISD concept is not predisposed in favor of the first law of geography, but directly considers variance of nearness in physical distance and attribute distance to derive the extent to which two points are spatially associated. Specifically, in single attribute cases, the information uncovered by an ISD measurement is more elaborate than that revealed by Moran's I, local Moran's I, and a semivariogram, giving a meticulous account of relatedness in both local and global contexts. The ISD concept is also sufficiently general to be used to study multiple attributes of relationships. Proponemos el concepto de distancia espacial intrínseca (intrinsic spatial distance ‐ISD) para el estudio de la relación espacial entre dos puntos en el espacio. La ISD es una medición de distancia que tiene en cuenta la separación de dos puntos con respecto a su cercanía física y de atributo. Construimos un algoritmo para aplicar este concepto y crear una medición ISD. De acuerdo con en el concepto ISD, dos puntos en el espacio están relacionadas a través de un camino de transición que los vincula uno al otro. A medida que la medición ISD disminuye, la relación espacial entre dos puntos se refuerza. Argumentamos teóricamente y demostramos empíricamente que el concepto ISD no está predispuesto a favor de la primera ley de la geografía (de Tobler), pero considera directamente la varianza de la cercanía de la distancia física y la distancia del valor del atributo para derivar una medición que cuantifica el grado en el que dos puntos están asociados espacialmente. En concreto, en los casos de atributos individuales, la información revelada por una medición ISD es más sofisticada que la que proporcionada por el índice de Moran, el índice de Moran local, y el semivariograma, pues da cuanta minuciosa de la relación espacial y de atributo en contextos locales y globales. El concepto de ISD también es lo suficientemente general para ser usado en el estudio de relaciones entre múltiples atributos. 本文提出了内蕴空间距离(ISD)来研究空间中任意两点之间的空间关系。ISD是考虑空间上分离的两点各自物理和属性接近度的一种距离度量。通过构造一个算法将该概念转变为ISD可度量方式。基于ISD概念,空间上的两点通过连接两者迁移路径相关联。当ISD度量减小时,两点之间空间关系变得越来越强。理论论证和实例演示表明ISD概念并不倾向于符合地理学第一定律,但直接考虑两点间物理距离和属性距离临近性的变化可以推导两点在空间上的联系程度。特别是在单一属性案例中,相比于Moran’s I,局部Moran’s I和半方差图,ISD度量揭示了全局与局部环境中详尽的空间相关信息。同时,ISD概念在研究多属性的空间关系中也是足够通用的。     

A New Spatial Optimization Perspective on the Delineation of Metropolitan and Micropolitan Statistical Areas

The current method for delineating U.S. metropolitan and micropolitan statistical areas (collectively referred to as core‐based statistical areas—CBSAs) is to cluster counties based on the strength of commuting interactions between outlying areas and urban cores. The social and economic integration of a metropolitan or a micropolitan statistical area is operationalized using what we believe is an outdated, monocentric perspective on functional spatial structure: one that fixates solely on inward and reverse commuting. We propose a new spatial optimization model for delineating CBSAs that can better account for polycentric urban structure by considering all intercounty commuting linkages. Our model seeks to find the boundaries that maximize the containment of entire webs of intra‐CBSA intercounty commuting. We apply the proposed method to delineate alternative sets of metropolitan and micropolitan statistical areas for comparison with the federal government's currently defined (2010 Office of Management and Budget [OMB] standards) official CBSAs. El método actual para delimitar áreas estadísticas micropolitanas y metropolitana en los Estados Unidos (denomidado genéricamente áreas estadísticos nucleares o core‐statistical areas‐ CBSA) consiste en agrupar condados en base a la fuerza de las interacciones de los desplazamientos residencia‐trabajo entre las zonas periféricas y los núcleos urbanos. La integración social y económica de un área estadística metro y micro politana se pone en operación usando un enfoque funcional que los autores consideran obsoleto que se basa en una estructura espacial urbana monocéntrica. Dicho enfoque se limita únicamente a los desplazamientos hacia el interior y de vuelta. Los autores proponen un nuevo modelo de optimización espacial para delinear CBSAs que respresenta mejor una estructura urbana policéntrica que considera todos los desplazamientos entre condados. El modelo busca encontrar los límites que maximizan la inclusión de redes enteras de desplazamientos intra CBSA y entre condados. El método propuesto es aplicado para delinear conjuntos alternativos de áreas estadísticas metropolitanas y micropolitanas y es comparado con los límites oficiales actuales de CBSA proporcionados por gobierno federal (de acuerdo a los lineamientos de la Oficina de Administración y Presupuesto u Office of Management Budget‐OMB) en 2010). 目前用于描述美国大都市区与居住区统计区域（共同地被称为基于核心的统计区域—CBSAs）的方法,主要是基于边远地区和城市核心区间的相互作用强度对郡县进行聚类。大都市区或居住区统计区域社会与经济一体化的运作方式,采用的是一种功能空间结构上落伍的单中心视角,即仅关注内部交换或反向交换。本文提出了一种新的空间优化模型用于描述CBSAs,将所有内部通勤联系考虑在内,能更好地解释多中心城市结构。该模型力图发现能最大化包含内部CBSA通勤联系网的边界。最后,将该模型应用于大都市区和居住区的统计区域描述,并与联邦政府目前定义的官方CBSAs（管理与预算 [OMB]标准2010办公室）进行了对比研究。     

Analyzing Space–Time Crime Incidents Using Eigenvector Spatial Filtering: An Application to Vehicle Burglary

Poisson models generally are utilized in analyzing spatial patterns of crime count data. When spatial autocorrelation is present, these models are extended to account for it. Among various methods, eigenvector spatial filtering (ESF) furnishes an efficient means of analysis. However, because space–time crime data have temporal components as well as spatial components, Poisson models need to be further adjusted to reflect the two types of components simultaneously. This article discusses how the ESF method can be utilized to model space–time crime data, extending the generalized linear mixed model specification for it. This approach is illustrated with an application to space–time vehicle burglary incidents in the city of Plano, Texas, during 2004–2009. Los modelos de Poisson generalmente se utilizan en el análisis de los patrones espaciales de los datos de recuento de crimen. Cuando hay autocorrelación espacial, estos modelos son modificados para dar cuenta de ello. Entre los diversos métodos existentes, el método Eigenvector (autovector, vector propio) de filtrado espacial (Eigenvector Spatial Filtering‐ESF) proporciona un medio eficaz para dicho análisis. Sin embargo, dado que los datos de criminalidad espacio‐temporales tienen tanto componentes temporales como espaciales, los modelos tipo Poisson requieren de un ajuste adicional para reflejar ambos tipos de componentes de manera simultánea. El artículo presente expone cómo el método ESF puede ser utilizado para modelar datos espacio‐temporales sobre delitos mediante la modificación del modelo mixto lineal generalizado (Generalized Linear Mixed Model‐GLMM). El procedimiento propuesto se ilustra con el caso de incidentes espacio‐temporales de robos de vehículos en la ciudad de Plano, Texas, durante 2004–2009. 泊松模型一般用于犯罪计数数据的空间模式分析中,当空间自相关关系呈现时,这类模型可扩展以解释潜在的分布特征。在各种模型中,特征向量空间滤波（ESF）提供了一种有效的分析方法。然而,由于时空犯罪数据包含时间和空间组分,因此泊松模型需要进一步调整以同时反映这两种不同类型的数据。本文讨论了如何利用特征向量空间滤波(ESF)模型对时空犯罪数据进行建模,并采用扩展广义线性混合模型(GLMM)进行规范。最后,以德克萨斯州普莱诺市2004‐2009年的车辆盗窃案数据进行了实证验证。     

Exploratory Analysis of Polygons Distributed with Overlap

Spatial analysis often treats a set of polygons distributed with overlap in a region. Daily variation of the market area of a supermarket is represented by a set of overlapping polygons in geographic information systems and analyzed to grasp consumers' purchase behavior. The distribution of ethnic groups is also represented as a set of polygons, and relations among these polygons are discussed in cultural geography. To assist the exploratory analysis of polygons, this article proposes a new method of analyzing the relations among polygons. The method permits us to understand the entire structure of the relations among polygons and to detect local spatial patterns in these relations. The Hasse diagram and its extension are introduced to describe the topological structure of polygons. These tools are effective especially for describing hierarchical relations among polygons. The extension of the Hasse diagram also provides a means of classifying polygons, which is useful for discussing similarities and differences among them. The method is employed to analyze the results of an experiment in environmental psychology. Discussion focuses on technical soundness of and empirical findings obtained with the method. En análisis espacial, es común representar y analizar conjuntos de polígonos con traslapes en una región. La variación diaria de la zona de mercado de un supermercado, por ejemplo, es representada por medio de un conjunto de polígonos traslapados en un Sistema de Información Geográfico (GIS), el cual es analizado para comprender el comportamiento de compra de consumidores. La distribución de los grupos étnicos también es representada como un conjunto de polígonos, mientras que las relaciones entre dichos polígonos es abordado con conceptos de geografía cultural. Para apoyar al análisis exploratorio de los polígonos como éstos, los autores proponen un nuevo método de análisis de las relaciones entre polígonos. El método permite comprender toda la estructura de las relaciones entre polígonos y detectar patrones espaciales locales en estas relaciones. Los autores utilizan el diagrama de Hasse y proponen ciertas ampliaciones al método para describir la estructura topológica de polígonos. Estas herramientas son efectivas especialmente para la descripción de las relaciones jerárquicas entre los polígonos. La ampliación del diagrama de Hasse también proporciona un método para clasificar polígonos que es útil para tratar de similitudes y diferencias entre ellos. El método propuesto es empleado para analizar los resultados de un experimento en psicología ambiental. La discusión se centra en la solidez técnica y en los resultados empíricos obtenidos con el método. 空间分析通常将同个区域的一组多边形分布的图层进行叠加。在GIS系统中对一组超市市场区日常变化的多边形进行叠加分析可掌握消费者的购买行为。种族分布同样可由一组多边形表征,并可在文化地理学框架下进行这些多边形要素间的相关性分析。为支持多边形的探索性分析,本文提出了一种用于分析多边形间关系的新方法。该方法有助于理解多边形间关系的整体结构,并可探测局部空间格局。Hasse图及其扩展用于描述多边形的拓扑结构,对描述图层的层次关系尤为有效。Hasse图的扩展也提供了多边形分类的手段,这对于讨论它们之间的异同性是十分有效。最后,将该方法用于环境心理学试验结果的分析,讨论主要侧重于技术的合理性分析及从该方法得到的经验认识。     

Assessing Activity Pattern Similarity with Multidimensional Sequence Alignment Based on a Multiobjective Optimization Evolutionary Algorithm

Due to the complexity and multidimensional characteristics of human activities, assessing the similarity of human activity patterns and classifying individuals with similar patterns remains highly challenging. This article presents a new and unique methodology for evaluating the similarity among individual activity patterns. It conceptualizes multidimensional sequence alignment as a multiobjective optimization problem and solves this problem with an evolutionary algorithm (EA). The study utilizes sequence alignment to code multiple facets of human activities into multidimensional sequences and to treat similarity assessment as a multiobjective optimization problem that aims to minimize the alignment cost for all dimensions simultaneously. A multiobjective optimization evolutionary algorithm is used to generate a diverse set of optimal or near‐optimal alignment solutions. Evolutionary operators are specifically designed for this problem, and a local search method is also incorporated to improve the search ability of the algorithm. We demonstrate the effectiveness of our method by comparing it with a popular existing method called ClustalG using a set of 50 sequences. The results indicate that our method outperforms the existing method for most of our selected cases. The multiobjective EA presented in this article provides an effective approach for assessing activity pattern similarity and a foundation for identifying distinctive groups of individuals with similar activity patterns. Debido a la complejidad y el carácter multidimensional de las actividades humanas, la evaluación de la similitud de los patrones de la actividad humana y la clasificación de individuos con patrones similares sigue siendo una tarea muy difícil. Este artículo presenta una metodología novedosa y única para evaluar la similitud entre los patrones de actividad individual. Se conceptualiza el método de alineación de secuencias multidimensionales (Multidimensional Sequence Alignment‐MDSA) como un problema de optimización multiobjetivo y se resuelve mediante un algoritmo evolutivo (evolutionary algorithm‐EA). El estudio utiliza la alineación de secuencias para codificar múltiples facetas de las actividades humanas en secuencias multidimensionales y para tratar la evaluación de similitud como un problema de optimización multiobjetivo que tiene como objetivo reducir al mínimo el coste de alineación para todas las dimensiones simultáneamente . Los autores utilizan algoritmo evolutivo de optimización multiobjetivo (multiobjective optimization evolutionary algorithm‐MOEA) para generar un conjunto diverso de soluciones de alineación óptimas o casi óptimas. Los operadores evolutivos del algoritmo están diseñados específicamente para este problema, al cual se le incorpora un método de búsqueda local para mejorar su desempeño. Los autores demuestran la eficacia del método propuesto mediante su comparación al método existente ClustalG haciendo uso de un conjunto de 50 secuencias. Los resultados indican que el método propuesto supera a los métodos existentes para la mayoría de casos seleccionados. La EA multiobjetivo presentado en este artículo proporciona un método eficaz para evaluar similitudes del patrón de actividad y constituye un componente fundamental para la identificación de grupos distintivos de personas con patrones de actividad similares. 由于人类活动的复杂性和多维度特性,人类活动模式的相似性评估和基于相似模式的个体分类仍具有较高的挑战性。本文提出了一种新型的、独特的方法来评估个体活动模式的相似性。该研究利用序列比对将人类活动的多个方面编码成多维序列,并将活动模式相似性评估作为一个多目标优化问题,其目的是使所有维度的比对成本同时最低。多目标最优进化算法被用于生成一组不同的最优或接近最优的比对解决方案。为此特别设计了进化算子,并集成一种局部搜索方法提高了算法的整体搜索能力。为验证该方法的有效性,本文以50对序列作为实验,并与常用的ClustalG方法进行了对比。研究结果表明,该方法在多数选取案例中性能优于ClustalG方法。因此,本文提出的多目标进化（EA）算法为个体活动模式相似性评估提供了一种有效方法,也为具有相似活动模式个体中特定群体识别奠定了基础。     

Nonparametric Estimation of the Spatial Connectivity Matrix Using Spatial Panel Data

We use moments from the covariance matrix for spatial panel data to estimate the parameters of the spatial autoregression model, including the spatial connectivity matrix W. In the unrestricted spatial autoregression model, the parameters are underidentified by one when W is symmetric. We show that a special case exists in which W is asymmetric and its parameters are exactly identified. If the panel data are stationary and ergodic, spatially and temporally, the estimates of W and the spatial autoregression coefficients are consistent. Spatial panel data for house prices in Israel are used to illustrate this methodology. Los autores usan momentos de una matriz de covarianza para datos panel espaciales para estimar los parámetros del modelo de autoregresión espacial (spatial autoregressive model), incluyendo la matriz de conectividad (o de ponderación) espacial W. En el modelo de autoregresión espacial sin restricciones, los parámetros están sub‐identificados por un valor de uno en los casos que la matriz W es simétrica. Los autores demuestran que existe un caso especial en el cual la matriz W es asimétrica y sus parámetros tienen cálculo exacto. Si los datos panel son estacionarios y ergódicos, espacial y temporalmente, los estimados de W y el coeficiente de autoregresión espacial son consistentes. Para ilustrar la metodología propuesta, los autores usan datos‐panel espaciales de precios de vivienda en Israel. 本文通过采用空间面板数据的协方差矩阵对包含空间相关矩阵W的空间自回归模型进行参数的矩估计。在无约束空间自回归模型中,W是对称矩阵时,参数可由其估计得到。本文展示了一种W是对称矩阵且其参数能够被精确估计的特殊情况。如果面板数据在时间与空间特征上具有平稳性和遍历性,那么W和空间自回归参数的估计是一致的。最后,针对以色列住房价格的空间面板数据采用此方法进行实证研究。     

Optimal Weights for Focused Tests of Clustering Using the Local Moran Statistic

Local spatial statistics measure and test for spatial association for a variable or variables of interest in a geographic neighborhood surrounding a predefined location. Most applications adopt a single scale of analysis but give little attention to the scale of the process generating the data. Alternatively, when the researcher is uncertain about the process scale, local statistics may examine a number of scales. In these cases, it is important to include a correction for multiple testing when evaluating the statistical significance of each local statistic, something that is rarely done. Consequently, local statistics are more likely to identify significant relationships, even when no meaningful spatial association exists. In this article, we develop a methodology for the local Moran statistic that provides both an empirical estimate of the spatial scale of association and an assessment of the significance of the statistic for that scale. The key idea is to test a number of possible choices for the statistic's weight matrix and then account for the multiple testing associated with the number of weight matrices examined. Unlike previous research, our statistic avoids the use of simulation to determine statistical significance in the presence of multiple testing. To test the validity of our approach, we constructed a numerical example to assess the statistic's performance and conducted an empirical study using leukemia data from central New York state. The developed statistic addresses the need for the empirical determination of weights and spatial scale. The test therefore addresses the common weakness of many applications, where weights are defined exogenously, with little or no thought given to either the definition or its implications. Los indicadores locales (local spatial statistics) evalúan la asociación espacial de una o varias variables de interés dada un área predefinida y sus áreas vecinas. La mayoría de dichas medidas utilizan una escala única de análisis y prestan poca atención a la escala del proceso de generación de los datos. En los casos en los que el investigador no está seguro de la escala del proceso, las los indicadores locales pueden ser evaluados a varias escalas. En dichos casos, cuando se hace la evaluación de la significancia estadística de cada indicador local, es importante incorporar una corrección para pruebas múltiples (multiple tests), un ajuste que raramente se realiza en la gran mayoría de estudios. Debido al problema de pruebas múltiples, los indicadores locales son más propensos a identificar relaciones significativas, incluso cuando no existe asociación espacial significativa alguna. En este artículo los autores desarrollan una metodología que produce un índice local de Moran que proporciona tanto una estimación empírica de la escala espacial de la asociación así como una evaluación de la importancia del indicador para dicha escala. La idea clave es poner a prueba una serie de opciones posibles para la definición de la matriz de pesos espaciales (spatial weight matrix) del índice y luego tomar en cuenta las pruebas múltiples asociadas con el número de matrices de peso examinadas. A diferencia de métodos anteriores, el indicador local propuesto evita el uso de simulaciones para determinar la significancia estadística con pruebas múltiples. Para probar la validez del enfoque propuesto, se construyó un ejemplo numérico con el fin de evaluar el desempeño del nuevo índice y se llevó a cabo un estudio comparativo a partir de datos del centro de leucemia del estado de Nueva York. El índice desarrollado responde a la necesidad de definir las ponderaciones (pesos) empíricamente y la escala espacial. De esta forma el método propuesto supera limitaciones comúnmente halladas de muchas aplicaciones en las cuales los pesos son definidos exógenamente, con poca o ninguna atención a su definición o su implicancias. 局部空间统计量可用于度量和检验预定地理区域周围邻域的空间关联。大多数情况下仅采用单一尺度的分析而较少关注数据生成过程的尺度。而当其过程尺度无法确定时,局部统计量却可能检测出多个尺度。在这些案例中,对单个局部统计量统计显著性评估建立多重检验的修正是重要的,而这却鲜有实施。因此,即使存在无意义的空间关联时,局部统计也更可能识别出显著的相关性。 本文发展了一种基于局部Moran统计的方法,提供了空间尺度关联性的经验估计以及对该尺度下统计显著性的评估。其核心思想是测试统计权重矩阵的可能选择,然后考虑与权重矩阵检验数量数目相关的多重检验。与以往研究不同,该方法在多重检验情况中避免了采用模拟来确定统计显著性。为检验其有效性,采用了数值案例来评估其统计性能,并基于纽约州中部的血癌数据进行比较研究。该方法解决了权重和空间尺度确定经验估计的需求,通过验证也相应地解决了很多应用中的普遍弱点,即权重被定义成外生变量,而很少或根本没有考虑其定义或含义。     

Regional Coverage Maximization: A New Model to Account Implicitly for Complementary Coverage

Achieving the greatest coverage using limited resources has long been a concern for regional planners. Since the 1970s, a variety of models have been studied and relied upon. Finding ways to best represent geographical space remains a challenge to many researchers. Solutions suggested by models vary greatly with different space representation schemes. For example, in the past, points have been widely adopted to represent spatial demand for coverage. However, this simple abstraction of geographical space could bring about inaccuracies and uncertainties, and often compromises its solution quality. Considering that demand can be area based, which is beyond points, objects of different shapes have been proposed as an alternative for representation. With advances in geographic information systems (GISs), the new representation scheme using objects has recently received much attention. Compared with the straightforward point‐based abstraction, spatial object representation poses considerable challenges to both model formulation and computation capability. This article revisits model development for the problem of regional coverage maximization and proposes a new formulation where coverage of spatial demand is implicitly modeled. Model testing is conducted through an application to warning siren siting in Dublin, Ohio, which has been studied by other researchers. Results demonstrate the effectiveness of the new model when compared with the existing models. Uno de los objetivos comunes en la planificación regional es lograr la máxima cobertura de un servicio con recursos limitados. Desde la década de los 70s se vienen utilizado una serie de modelos conocidos. Sin embargo, la representación adecuada del espacio geográfico de dichos modelos sigue siendo un problemática para muchos investigadores. Las soluciones derivadas de los modelos varían considerablemente de acuerdo a los diferentes esquemas de representación utilizados. El uso de puntos por ejemplo, ha sido ampliamente utilizado en el pasado como esquema de representación espacial de la demanda a ser cubierta por el servicio. Sin embargo, esta simple abstracción del espacio geográfico puede provocar imprecisiones e incertidumbres que a menudo afectan la calidad de la solución matemática del modelo. En contraste, si la demanda se define como un área que abarca una extensión que va más allá de los puntos es posible proponer—como lo han hecho varios recientemente‐ el uso de objetos espaciales (de formas variadas) como una alternativa sensata de representación. Con los avances en los sistemas de información geográfica (SIG), este nuevo esquema de representación ‐que usa objetos especiales‐ han recibido considerable atención. En contraste con esquemas sencillos como el basado en puntos, la representación de objetos espaciales presenta varios desafíos en cuanto a la formulación y computación del modelo. El presente artículo reseña el desarrollo del modelamiento del problema de máxima cobertura regional (problem of regional coverage maximization) y propone una nueva formulación en la cual la cobertura de la demanda en el espacio es modelada de manera implícita. La evaluación del modelo se realiza a través de una aplicación que usa datos de la ubicación sirenas de alarma en Dublín, Ohio. Los resultados demuestran la eficacia del nuevo modelo en comparación con los modelos existentes. 利用有限资源实现最大覆盖一直广受区域规划者关注。自20世纪70年代以来,发展了大量针对这一问题的模型研究。寻找最佳的地理空间表达方式仍是研究者面临的一大挑战。不同模型对于不同的空间表达模式变化很大。比如过去空间覆盖需求多采用点集表达。然而,这种简单的地理空间抽象方法可能会引起不精确性和不确定性,通常也会导致解决方案质量下降。考虑到需求可能是基于区域而非基于点,不同形状的对象已经被当作空间表达可替代的方式。随着GIS技术的进步,基于对象空间表达的新方案近来备受关注。较之于直接基于点的空间抽象,空间对象表达在模型的形式化表达和计算性能上均面临相当大的挑战。本文回顾了区域最大覆盖问题模型研究的发展历程,提出了一个新的蕴含空间覆盖建模需求的模型。以曾被诸多学者研究过的俄亥俄州都柏林的报警器选址问题为例对模型进行检验,结果显示新模型较现有模型更为有效。     

A New Method of Adaptive Zoning for Spatial Interaction Models

Spatial interaction models commonly use discrete zones to represent locations. The computational requirements of the models normally arise with the square of the number of zones or worse. For computationally intensive models, such as land use–transport interaction models and activity‐based models for city regions, this dependency of zone size is a long‐standing problem that has not disappeared even with increasing computation speed in PCs—it still forces modelers to compromise on the spatial resolution and extent of model coverage as well as on the rigor and depth of model‐based analysis. This article introduces a new type of discrete zone system, with the objective of reducing the time for estimating and applying spatial interaction models while maintaining their accuracy. The premise of the new system is that the appropriate size of destination zones depends on the distance to their origin zone: at short distances, spatial accuracy is important and destination zones must be small; at longer distances, knowing the precise location becomes less important and zones can be larger. The new method defines a specific zone map for every origin zone; each origin zone becomes the focus of its own map, surrounded by small zones nearby and large zones farther away. We present the theoretical formulation of the new method and test it with a model of commuting in England. The results of the new method are equivalent to those of the conventional model, despite reducing the number of zone pairs by 96% and the computation time by 70%. Los modelos de interacción espacial suelen utilizar zonas discretas para representar áreas o puntos de interés. Los requisitos computacionales de estos modelos normalmente aumentan a razón del número de zonas elevadas al cuadrado o más. Para modelos computacionalmente intensivos como los modelos de interacción entre uso de suelo y transporte y los modelos basados en actividades para ciudades‐región, el impacto del tamaño de la zona es un problema persistente no superado aun. Esta limitación persiste a pesar de los grandes avances en la velocidad de procesamiento en computadoras, pues obliga a los modeladores a hacer concesiones entre la resolución espacial y la extensión que abarca el modelo, así como en el rigor y profundidad del análisis. En este artículo se presenta un nuevo tipo de sistema de zonas discretas que: a) tienen como objetivo reducir el tiempo de estimación de la aplicación de modelos de interacción espacial; y b) al mismo tiempo mantienen su nivel de precisión. La premisa que gobierna este nuevo sistema es que el tamaño apropiado de las zonas de destino depende de la distancia a su zona de origen: a distancias cortas, la precisión espacial es importante y las zonas de destino deben ser pequeño; a distancias mas largas, conocer la ubicación precisa es progresivamente menos importante y las zonas pueden ser mayores. El nuevo método define un mapa específico de zonas para cada zona de origen; cada zona de origen se convierte en el foco de su propio mapa, rodeada de zonas cercanas pequeñas y zonas grandes a mayor distancia. El estudio presenta la formulación teórica del nuevo método y su demostración vía un modelo de desplazamientos residencia‐trabajo en Inglaterra. Los resultados del nuevo método son equivalentes a las del modelo convencional, a pesar de reducir del número de pares de zonas en un 96% y el tiempo de cálculo en un 70%. 空间相互作用模型通常采用离散区域代表区位。模型的计算量往往与区域数量呈平方甚至更高阶增长。对于可计算的精细模型,如土地利用‐交通相互作用模型和基于行为的城市区域模型,区域尺度的依赖性是长期存在的问题,即使计算机的计算速度增加,该问题仍无法消除。因此,建模者需在模型空间分辨率和覆盖范围以及模型分析的严谨性和深度上做出权衡。本文介绍了一种新型的离散分区系统,目的在于减少空间相互作用模型估算和计算时间,同时维持其精度。新系统的前提是目标区域的适当尺度取决于与初始区域的距离：在短距离范围内,空间精确性是重要的,且目标区域必须是小的;在更远距离上,位置精度的重要性降低,目标区域可以变大。该方法为每个初始区域制定了具体的尺度地图。每个初始区域成为其自身地图的中心,被近邻的小区域和更远距离的大区域所包围。本文给出了新方法的理论公式,并以英格兰地区的通勤模型进行检验。结果显示,尽管区域对的数量减少了96%,计算时间缩短了70%,但新方法的计算结果等效于常规模型。     

A Dynamic Spatial Weight Matrix and Localized Space–Time Autoregressive Integrated Moving Average for Network Modeling

Various statistical model specifications for describing spatiotemporal processes have been proposed over the years, including the space–time autoregressive integrated moving average (STARIMA) and its various extensions. These model specifications assume that the correlation in data can be adequately described by parameters that are globally fixed spatially and/or temporally. They are inadequate for cases in which the correlations among data are dynamic and heterogeneous, such as network data. The aim of this article is to describe autocorrelation in network data with a dynamic spatial weight matrix and a localized STARIMA model that captures the autocorrelation locally (heterogeneity) and dynamically (nonstationarity). The specification is tested with traffic data collected for central London. The result shows that the performance of estimation and prediction is improved compared with standard STARIMA models that are widely used for space–time modeling. En los últimos años, se han propuesto diversas especificaciones de modelado estadístico para describir procesos espacio‐temporales. Esto incluye el modelo espacio‐temporal autorregresivo integrado de media móvil (STARIMA) y sus varios derivados. Estas especificaciones de modelo asumen que la correlación de los datos puede ser adecuadamente descrita por parámetros que se fijan a nivel global en el espacio y/o tiempo. Dichos parámetros son inadecuados para los casos en los que las correlaciones entre los datos son dinámicas y heterogéneas, como en el contexto de los datos de la red. El objetivo de este artículo es describir la autocorrelación en los datos de red con una matriz de ponderación espacial dinámica y un modelo STARIMA localizado (LSTARIMA) que captura la autocorrelación local (heterogeneidad) de forma dinámica (no estacionariedad). La especificación del modelo es evaluada con datos de tráfico recolectados en el centro de Londres. Los resultados demuestran que los rendimientos de estimación y predicción mejoran con el método propuesto en comparación con los modelos STARIMA estándar que son ampliamente utilizados para el modelado de espacio‐temporal. 通过设定多种统计模型来描述地理时空过程已提出多年,包括时空自回归移动平均(STARIMA)及其变形。此类模型通过假设数据相关性可由在时间域或者空间域上全局不变的参数加以充分描述。因此,上述模型不适用于具有动态或异质相关性的数据,如网络数据。本文试图采用一个动态空间权重矩阵与局部时空自回归移动平均(LSTARIMA)模型来描述数据的自相关程度,以此捕捉局域自相关(异质性)和动态自相关(非平稳性)。以伦敦市中心的交通数据作为模型的实证案例的测试结果显示,相对于广泛应用于时空过程分析的标准STARIMA模型,本文的模型在参数估计和预测性能上均有提升。     

Weighted‐Average Least Squares Applied to Spatial Econometric Models: A Monte Carlo Investigation

Recently, model averaging techniques have been employed widely in empirical investigations as an alternative to the conventional model selection procedure, a procedure criticized because it disregards a major component of uncertainty, namely, uncertainty regarding the model itself, and, thus, it leads to the underestimation of uncertainty regarding the quantities of interest. Bayesian model averaging (BMA) is one of the most popular model averaging techniques. Some studies indicate that BMA has cumbersome aspects. One of the major practical issues of using BMA is its substantial computational burden, which obstructs the process of obtaining exact estimates. A simulation method, such as Markov chain Monte Carlo (MCMC), is required to resolve this problem. Weighted‐average least squares (WALS) estimation has been proposed as an alternative to BMA. The computational burden of WALS estimation is negligible; therefore, it does not require the MCMC method. Furthermore, WALS estimation has theoretical advantages over BMA estimation. This article presents two contributions to the WALS literature. First, it applies WALS to spatial lag/error models in order to consider spatial dependence. Second, it extends WALS in order to consider explicitly the problem of multicollinearity by employing the technique of principal component regression. The small sample properties of the estimators of the proposed models are examined using Monte Carlo experiments; the results of these experiments suggest that the standard WALS may produce biased estimates when the underlying data‐generating process is a spatial lag process. Results also indicate that when the correlation among the regressors is high, the standard WALS estimators may suffer from large variances and root mean squared errors. Both of these problems are significantly mitigated by using the proposed models. Las técnicas de promediado de modelos (model averaging) vienen siendo empleadas con creciente frecuencia en las investigaciones empíricas como una alternativa a los procedimientos convencionales de selección de modelos estadísticos. Dichos procedimientos convencionales han sido criticados por no tomar en cuenta un componente clave de la incertidumbre: la incertidumbre del modelo en sí, y por lo tanto, conducen a la subestimación de la incertidumbre en la cuantificación de las valores estimados. El promediado bayesiano de modelos (Bayesian Model Averaging‐BMA) es una de las técnicas de promediado más usadas. Algunos estudios indican que BMA tiene aspectos engorrosos: uno de los principales aspectos prácticos a considerar en su uso es su pesada carga computacional, la cual obstruye el proceso de obtención de estimaciones exactas. Esta limitación hace necesario el uso de métodos de simulación, como el de la cadena de Markov de Monte Carlo (Markov Chain Monte Carlo‐MCMC). La estimación de mínimos cuadrados usando un promediado ponderado (Weighted‐Average Least Squares‐WALS) ha sido propuesta como alternativa a BMA. La carga computacional de la estimación WALS es mínima y por lo tanto no requiere del uso de MCMC. Más aun, la estimación WALS posee ventajas teóricas sobre BMA. Este artículo presenta dos contribuciones a la literatura especializada de WALS. En primer lugar, aplica WALS a modelos espaciales tipo lag/error con el fin de incorporar la dependencia espacial. En segundo lugar, modifica el método WALS, a fin de considerar explícitamente el problema de la multicolinealidad entre variables mediante el empleo de la técnica de regresión de componentes principales (Principal Component Regression‐PCR). Luego los autores utilizan experimentos Monte Carlo para examinar las propiedades de tipo “muestra pequeña” (small simple) de los estimadores de los modelos propuestos. Los resultados de los experimentos sugieren que el método WALS estándar puede producir estimaciones sesgadas cuando el proceso generador de datos subyacente (Data Generating Process‐DGP) es un proceso de retardo espacial (Spatial Lag Process‐SLP). Los resultados también indican que cuando la correlación entre las variables es alta, los estimadores estándar de WALS pueden padecer de varianzas y errores cuadráticos medios (root mean squared errors‐RMSEs) atípicamente grandes. Ambos problemas son mitigados significativamente mediante el uso de los modelos propuestos en el presente artículo. 近来,模型平均技术作为与传统模型选择流程可替换的方法,在经验调查中得到广泛应用。传统的模型选择流程忽视了模型本身的不确定性,进而低估了感兴趣样本数量的不确定性而受到批评。贝叶斯模型平均技术(BMA)是最为流行的模型平均技术之一。但已有研究表明,BMA在某些方面较为繁琐复杂,一个最主要的问题是其巨大的计算负荷阻碍模型了精确估计的过程,因此需要利用马尔可夫‐蒙特卡洛(MCMC) 之类的模拟方法进行解决。加权平均最小二乘(WALS)估计可作为BMA的可替换方法,其优点在于计算负荷可以忽略不计,因此不需要采用MCMC方法解决计算负荷问题。此外,WALS估计相比于BMA估计在理论上有一定的优势。本文针对WALS的贡献有两点：将WALS应用于空间滞后/空间误差模型以考虑空间依赖性,并利用主成分回归(PCR)拓展WALS以明确考虑多重共线性问题。本文利用蒙特卡洛实验对所提模型估计的小样本特征进行测试,结果显示当潜在数据生成过程(DGP)是一个空间滞后过程时,标准WALS可能产生有偏估计;此外,当回归量的相关性较高时,标准WALS估计量可能有较大的方差和根均方差(RMSEs).而本文提出的加权平均最小二乘估计模型能很好地缓解这两个问题。     

Investigating the Periodicities of Step‐Pool Sequences in Alluvial Mountain Streams

Step‐pool mountain streams contain a rhythmic structure that can be characterized by the periodicity, commonly determined using spectral analysis. However, this analysis often requires data series recorded at equal intervals and exhibiting stationary patterns. Previous methods of transforming the original step‐pool sequence into this required format have not been rigorously tested and consequently may generate misleading periodicity results. To this end, we apply both spectral analysis and autoregressive integrated moving average (ARIMA) modeling, a parsimonious stochastic approach to 11 alluvial mountain step‐pool streams for identifying their periodicities. We interpolate the original sequences into those with four different equal‐space intervals, 0.1 m, 0.2 m, 0.3 m, and 0.4 m, and demonstrate that the differencing detrending method is statistically more effective to transform the sequences into stationary ones than the commonly used linear detrending method. Subsequently, we identify periodicities of these sequences using the two approaches and determine the degree of stability for these periodicities for each original step‐pool sequence using R ² values obtained by least squares linear regression between the log‐transformed identified periods and the associated equal‐space intervals. Eight out of 11 step‐pool sequences have relatively stable periodicities (R ² ≥ 0.79) when the spectral analysis approach is used, while those identified using the ARIMA modeling approach are much less stable. Further comparison of periodicities identified using both approaches suggests that periodicities of step‐pool sequences are inherently unstable and hence cannot be appropriately determined based on a single equal‐space interval. A general procedure for identifying the periodicity of a step‐pool sequence using spectral analysis with the differencing detrending method and multiple equal‐space intervals is proposed. The identified periodicities might serve as an independent morphologic index to infer hydraulic processes controlling the formation of the alluvial step‐pools because they are significantly related to spill resistance of the alluvial step‐pools. Investigando las periodicidades de formación de escalones (step‐pools) en corrientes aluviales de montaña Las corrientes en forma de escalones (step‐pools) contienen una estructura rítmica que puede ser caracterizada por su periodicidad, determinada comúnmente usando análisis espectral. Sin embargo, este análisis requiere muchas veces de series de información recogidas a intervalos iguales y que tengan patrones estacionarios establecidos. Métodos precisos para transformar la secuencia original de step‐pools en este formato no han sido rigurosamente probados y consecuentemente pueden generar resultados de periodicidad que pueden ser interpretados erróneamente. Para este fin, los autores utilizan tanto un análisis espectral como un modelo autorregresivo integrado de media móvil (autoregressive integrated moving average ‐ ARIMA) en una aproximación estocástica parsimoniosa (parsimonic stochastic approach) a 11 step‐pools de corrientes de montaña para identificar sus periodicidades. Los autores interpolaron las secuencias originales a dichas corrientes con 4 zonas de igual área con diferentes intervalos: 0.1 m, 0.2 m, 0.3 m., 0.4 m y comprobaron que el método de diferenciación que elimina la tendencia (differencing detrending method) es estadísticamente más efectivo para transformar las secuencias en estacionarias que el comúnmente utilizado método que elimina la tendencia linear. Subsecuentemente, se identificaron periodicidades de secuencias utilizando estas dos aproximaciones y se determinó el grado de estabilidad para estas dos periodicidades para cada secuencia original de los step‐pools usando valores R² obtenidos por una regresión linear mínimo‐cuadrado (Ordinary Least Squares–OLS) entre los periodos identificados vía transformación logarítmica y los intervalos asociados de igual área. 8 de las 11 secuencias de step‐pools analizados tuvieron periodicidades relativamente estables (R2 ≥ 0.79), mientras que aquellas utilizando la aproximación ARIMA resultaron mucho menos estables. Comparación adicionales de las periodicidades identificadas usando ambas aproximaciones sugiere que las periodicidades de las secuencias de step‐pools usando análisis espectral son inherentemente inestables y en consecuencia no pueden ser determinadas apropiadamente basadas en un solo intervalo en zonas de igual área. Se propone así un procedimiento general para establecer la periodicidad de la secuencia de step‐pools usando el análisis espectral junto con el differencing detrending method que elimina la tendencia y múltiples intervalos en zonas de igual área. Las periodicidades identificadas podrían servir como índice morfológico independiente para inferir procesos hidráulicos controlando la formación de step‐pools aluviales, dado que está significativamente relacionado a la resistencia al derrame de dichos step‐pools 阶梯‐深潭山涧包含的韵律结构具有周期性特征,一般通过谱分析的方法探测。然而,这种分析方法通常要求数据序列记录在每个间隔上具有平稳性。由于先前方法对序列的转化没有严格要求平稳性检验,因而可能导致序列结果的误解。为此,本文融合谱分析和移动平均自回归模型（ARIMA）,通过随机简化路径方法对11个冲积山流域阶梯‐深潭山涧序列周期进行判别。主要采用0.1m,0.2m,0.3m,0.4m四种不同等间距对原始序列进行插值,分析表明这个差分校正方法对于序列平稳性的变换比常用线性校正方法在统计上更为有效。因此,对每一原始序列在对数变换的时间和相关等空间间距之间通过最小二乘回归获得R²值,并采取两种方法判别序列周期以确定其稳定度。谱分析方法测试得11个中的8个序列具有相对稳定的周期(R² ≥ 0.79),而采用ARIMA模型进行判别则平稳周期序列数目少得多。通过融合两种方法对序列判别以进一步形成对照,分析表明序列周期存在内部不稳定性,因此不能基于单一的空间间隔来确定周期。从而,本文提出采用谱分析对序列差分校正方法结合多空间间隔的一般方法对序列周期性进行识别。该周期识别方法可作为一个独立形态指数对控制冲积阶梯‐深潭形成的水力过程作出推断,因为该指数与冲积阶梯‐深潭稳定性的表达具有显著相关性。     

Spatial and Scale‐Dependent Controls on North American Pan‐Arctic Minimum River Discharge

Spatial patterns of minimum monthly river discharge in the North American Pan‐Arctic and its potential controls are explored with geographically weighted regression (GWR). Minimum discharge is indicative of soil water conditions; therefore, understanding spatial variability of its controls may provide insights into patterns of hydrologic change. Here, GWR models are applied to determine a suitable combination of independent variables selected from a set of eight variables. A model specification with annual mean river discharge, temperature at time of minimum discharge, and biome describes well the spatial patterns in minimum discharge. However, minimum discharge in larger watersheds is influenced more by temperature and biome distributions than it is in small basins, suggesting that scale is critical for understanding minimum river discharge. This study is the first to apply GWR to explore spatial variation in Pan‐Arctic hydrology. Factores de control espaciales y dependientes de escala en las descargas fluviales mínimas de ríos Pan‐Articos en Norteamérica. El artículo explora los patrones espaciales de caudales fluviales mínimos mensuales la región pan‐ártica de Norteamérica y sus posibles factores de control haciendo uso de una regresión ponderada geográficamente (geographically weigted regression‐GWR). Los caudales mínimos son indicadores de las condiciones del agua en el suelo, y por lo tanto el entendimiento de la variabilidad espacial de los factores que los controlan puede ayudar a comprender los patrones de cambio hidrológico. En el presente estudio, varios modelos de tipo GWR son aplicados para determinar una combinación adecuada de variables independientes seleccionadas a partir de un conjunto de ocho variables. El modelo que utiliza la media anual media de descarga fluvial, la temperatura en el momento de caudal mínimo, y el bioma, proporciona una buena descripción de los patrones espaciales en la descarga mínima. Sin embargo, en las cuencas hidrográficas grandes, la descarga mínima está más influenciada por la temperatura y la distribución de los biomas que en el caso de cuencas más pequeñas, lo que sugiere que la escala es fundamental para entender la descarga mínima fluvial. Este estudio es el primero en aplicar GWR para comprender la variación espacial en la hidrología de la región pan‐ártica. 基于GWR（地理加权回归模型）对北美泛北极地区月份最小河流流量的空间模式和潜在控制进行研究。最小流量暗示水土条件;因此,理解空间分异及控制可深刻理解水文变化的模式。GWR可从8个变量中提取一组独立变量的适当组合。通过年均河流流量、最小流量时的温度和生物群落,来描述最小下泄流量的空间格局。在大范围流域中,最小流量受到温度和生物群落分布的影响大于在小规模的流域,揭示出在河流最小流量分析中尺度是非常重要的。本文首次将GWR应用于泛北极水文空间异质性分析。     

Assessing Quality of Spatial Models Using the Structural Similarity Index and Posterior Predictive Checks

Model assessment is one of the most important aspects of statistical analysis. In geographical analysis, models represent spatial processes, where variability in mapped output results from uncertainty in parameter estimates. Slight spatial misalignments can cause inflated error scores when comparing maps of observed and predicted variables using traditional error metrics at the level of individual spatial units. We conceptualize spatial model assessment as a continuous value map comparison problem and employ methods from image analysis to score model outputs. The structural similarity index, a measure that attempts to replicate the human visual system using a local region approach, is used as an exploratory map comparison statistic. The measure is implemented within a Bayesian spatial modeling framework as a discrepancy measure in a posterior predictive check of model fit. Results are reported for simulation studies representing a variety of spatial processes in a spatial and space–time context. A case study of rainfall mapping in Sri Lanka demonstrates the proposed methodology applied to assessment of Bayesian kriging interpolations. Both simulation studies as well as the case study demonstrate that the approach reveals hidden spatial structure not uncovered by traditional methods. The spatially sensitive assessment methodology provides a diagnostic tool to support spatial modeling and analysis. La evaluación de modelos es uno de los aspectos más importantes de análisis estadístico. En el análisis geográfico, los modelos representan procesos espaciales en los que la variabilidad en los outputs es el resultado de la incertidumbre en los parámetros estimados. Leves desajustes espaciales pueden inflar los valores de error en la comparación entre los mapas de las observaciones y los mapas de las predicciones de las variables si es que se usan medidas tradicionales de medición de error al nivel de unidades espaciales individuales. Los autores conceptualizan la evaluación de modelos espaciales como un problema de comparación mapas de valor continuo y emplea métodos de análisis de imágenes para cuantificar los resultados del modelo. Se utiliza el índice de similitud estructural (SSIM), una medida que intenta replicar el sistema visual humano utilizando un enfoque de región local, como técnica de exploratoria comparación estadística de mapas. El índice es implementado dentro de un marco de modelización espacial bayesiano como medida de discrepancia en la comprobación posterior de predicción del desempeño del modelo. Los resultados se presentan para varios casos de simulación que representan una serie de procesos espaciales en un contexto espacio‐temporal y espacial. Un estudio de caso de mapeo de lluvias en Sri Lanka sirve como demostración de la metodología propuesta y su aplicación a la evaluación de las interpolaciones tipo krigeage (kriging) bayesianas. Tanto los estudios de simulación, así como el estudio de caso demuestran que el enfoque propuesto revela la estructura espacial oculta no evidenciada por métodos tradicionales. La metodología de evaluación espacialmente sensible que se presenta en este artículo proporciona una herramienta de diagnóstico para apoyar la elaboración de modelos y análisis espacial. 模型评估是统计分析中最为重要的内容之一。在地理分析中用模型表达空间过程,参数估计的不确定性会导致地图输出结果的可变性。当采用传统误差指标度量,在个体空间单位水平上进行观测和预测变量的地图比较时,微小的空间错位就可能导致误差的倍增。为此,本文通过将空间模型评估指标概念化为一个连续值图比较问题,并利用图像分析方法来评定模型输出。一种尝试以局域方法仿制人类视觉系统的度量指标——结构相似指数(SSIM),被用作为探索性地图的比较统计量。在贝叶斯空间模型框架下实现其量算,并将其作为一个偏差度量应用于模型拟合的后预测校验。仿真研究的结果显示出空间及时空环境下多类空间过程。以斯里兰卡降雨过程图为案例,展示了上述方法对贝叶斯克里格插值的准确性评估。仿真研究与实证结果均证明本文提出的方法可揭示以往传统方法掩盖的空间结构特征,空间敏感性评价为本研究的空间建模和分析提供了一个诊断工具。     

Computing the Jacobian in Gaussian Spatial Autoregressive Models: An Illustrated Comparison of Available Methods

When estimating spatial regression models by maximum likelihood using spatial weights matrices to represent spatial processes, computing the Jacobian, ln(|I ? λW|), remains a central problem. In principle, and for smaller data sets, the use of the eigenvalues of the spatial weights matrix provides a very rapid resolution. Analytical eigenvalues are available for large regular grids. For larger problems not on regular grids, including those induced in spatial panel and dyadic (network) problems, solving the eigenproblem may not be feasible, and a number of alternatives have been proposed. This article surveys selected alternatives, and comments on their relative usefulness, covering sparse Cholesky and sparse LU factorizations, and approximations such as Monte Carlo, Chebyshev, and using lower‐order moments with interpolation. The results are presented in terms of component‐wise differences between sets of Jacobians for selected data sets. In conclusion, recommendations are made for a number of analytical settings. Al estimar modelos de regresión espacial con el método del máxima verosimilitud (máximum likelihood) y usando matrices de pesos espaciales para representar procesos espaciales, cálculo del término jacobiano (jabobian)—ln(| I ?λ W |)‐ sigue siendo un problema central. En principio, y para bases de datos más pequeñas, el uso de los valores propios (eigenvalues) de la matriz de pesos espaciales proporciona una solución muy rápida. Los eigenvalues analíticos para retículas o grillas grandes y regulares son ya conocidos. Para problemas más grandes, que no se presentan en mallas regulares ‐incluyendo aquellos que se inducen en problemas de paneles espaciales y en problemas de (redes) diádicas‐, es posible que resolver el eigenproblem no sea posible. Este artículo estudia una selección de alternativas y comenta acerca de su relativa utilidad. Se cubren las facorizaciones de tipo Cholesky disperso (sparse Cholesky) y de tipo LU dispersas (sparse LU), las aproximaciones Monte Carlo, y Chebyshev, así mismo se utiliza momentos de bajo‐orden (lower‐order) con interpolación. Los resultados se presentan en términos de diferencias de componentes entre sets de términos jacobianos para bases de datos seleccionadas. En conclusión, se hacen recomendaciones para una serie de contextos analíticos. 当采用表征空间过程的空间权重矩阵对空间回归模型进行最大似然估计时,雅可比矩阵ln(|I?λW|)的计算仍是核心问题。对于小数据集,原则上可利用空间权重矩阵的特征值提供一种快速的解决方案,对于大型规则格网数据特征值分析同样有效。但对于不规则格网大型问题,包括从空间面板和二元（网络）问题中引伸的问题,利用特征值的解决方案可能不适用,对此学术界提出了多种可选替代方案。本文选取已有的几种替代方案并评论各自的相对有效性,其中包括稀疏Cholesky分解和稀疏LU分解法,Monte Carlo和 Chebyshev近似模拟法以及低阶矩插值法。结果以所选数据集雅可比矩阵间特定组份的差异方式显示。最后,推荐了一些分析设定。     

Geographically Weighted Quantile Regression (GWQR): An Application to U.S. Mortality Data

In recent years, techniques have been developed to explore spatial nonstationarity and to model the entire distribution of a regressand. The former is mainly addressed by geographically weighted regression (GWR), and the latter by quantile regression (QR). However, little attention has been paid to combining these analytical techniques. The goal of this article is to fill this gap by introducing geographically weighted quantile regression (GWQR). This study briefly reviews GWR and QR, respectively, and then outlines their synergy and a new approach, GWQR. The estimations of GWQR parameters and their standard errors, the cross‐validation bandwidth selection criterion, and the nonstationarity test are discussed. We apply GWQR to U.S. county data as an example, with mortality as the dependent variable and five social determinants as explanatory covariates. Maps summarize analytic results at the 5, 25, 50, 75, and 95 percentiles. We found that the associations between mortality and determinants vary not only spatially, but also simultaneously across the distribution of mortality. These new findings provide insights into the mortality literature, and are relevant to public policy and health promotion. Our GWQR approach bridges two important statistical approaches, and facilitates spatial quantile‐based statistical analyses. En los últimos años se han desarrollado diversas técnicas para explorar tanto la heterocedasticidad (o no estacionariedad) espacial, así como para modelar toda la distribución de una variable dependiente. El primer tema ha sido abordado principalmente por la regresión ponderada geográficamente (Geographically Weighted Regression ‐GWR), y el segundo por la regresión por cuantiles (Quantile Regression‐QR). La combinación de ambas técnicas analíticas, sin embargo, ha recibido mucho menos atención. El objetivo de este artículo es llenar dicho vacío mediante la propuesta de una regresión geográficamente ponderada por cuantiles (Geographically Weighted Quantile Regression‐ GWQR). Los autores resumen brevemente las técnicas GWR y QR respectivamente, y luego esbozan sus propiedades sinérgicas. Luego presentan la nueva técnica propuesta: GWQR. Los autores abordan los temas de las estimaciones de los parámetros GWQR y sus errores estándar, el criterio de selección del ancho de banda de la validación cruzada (cross‐validation bandwidth), y la prueba heterocedasticidad espacial. Como ejemplo se aplica GWQR a datos de la tasa de mortalidad como variable dependiente y cinco determinantes sociales como variables independientes para los condados de los Estados Unidos. Los patrones espaciales se presentan en mapas con los resultados del análisis para los percentiles 5, 25, 50, 75, y 95. Los resultados muestran que las asociaciones entre la mortalidad y sus factores determinantes no sólo varían espacialmente, sino también de forma simultánea a través de la distribución de la tasa de mortalidad. Estos nuevos hallazgos coinciden con la literatura de los estudios de mortalidad, y son relevantes para aplicaciones de política pública y promoción de la salud. El enfoque GWQR representa un puente conceptual y metodológico entre dos enfoques estadísticos importantes a la vez que hace más factible el análisis estadístico espacial por cuantiles. 近年来,可用于探讨空间非平稳性和模拟回归变数分布的技术得到发展。前者主要用地理加权回归方法（GWR）处理,后者采用分位数回归（QR）处理。然而对这些分析技术的结合使用却很少关注。本文试图通过提出地理加权分位数回归（GWQR）来填补这一空白。在分别简要回顾了GWR和QR方法的基础上,基于两个方法的协同应用提出了GWQR新方法,进而讨论了GWQR的参数估计、标准误差、带宽选择标准的交叉验证和非平稳性检验。本文将死亡率作为因变量及五个社会因子作为解释变量,进行了美国县域单元的案例研究,绘制了0.05、0.25、0.5、0.75和0.95不同百分位点的分析结果图。研究发现,死亡人数不仅与解释变量的空间分布相关,同时也与其地理分布相关。这些新发现不仅可促进对死亡率相关成果的深入分析,同时也与公共政策和健康促进有关。GWQR方法架构了QR和GWR两种重要统计方法之间的纽带,也促进了基于分位数的空间统计分析方法的发展。     

Simple Scan Tests for Spatial Clustering on a Square Lattice

Many data sets collected for study areas consist of data values collected on a square lattice or for a set of pixels. Remotely sensed data provide perhaps the most common example. Frequently, we wish to know whether there are subregions of the study area that exhibit spatial clustering. In this article, we suggest how an approach for finding spatial clusters may be combined with the common practice of using 3‐by‐3 and 5‐by‐5 smoothing filters or kernels to construct two simple and easy‐to‐implement scan‐type tests. A simulation experiment shows that the power of these tests to find clusters compares favorably with an alternative test that is more complicated. The tests use simulated data, changes in a remotely sensed image for a study region in Texas, and data about wheat yields. Muchas bases de datos que se recopilan para una zona de estudio, consisten en valores recopilados en una retícula cuadrada o en un conjunto de pixeles. Los datos obtenidos por sensores remotos son quizá el ejemplo más común. Frecuentemente deseamos saber si existen subregiones de la zona de estudio que exhiban agrupamiento espacial. En este artículo, sugerimos cómo una aproximación para ubicar agrupamientos espaciales se puede combinar con la práctica común de usar filtros de suavizado (kernels) de 3‐por‐3 y 5‐por‐5 filtros, para construir dos test tipo scan, sencillos y fáciles de implementar. Un experimento de simulación demuestra que el poder de estas pruebas para ubicar agrupamientos, se compara favorablemente frente a otra prueba alternativa, que resulta más complicada. Las pruebas usan datos simulados, cambios en una imagen de satélite para un área de estudio en Texas, y con data acerca de los rendimientos de cultivos de trigo. 研究区收集的许多数据集是由基于方格网和像素采集的数据值组成的,遥感数据可能提供了最常见的范例。通常,我们希望了解研究区的子区域是否呈现空间集聚特征。本文提出了一种如何发现空间集聚的方法,可以与采用3*3和5*5平滑滤波或核函数的普通试验相结合,构造两个简单且易于操作的扫描试验。模拟实验结果显示,这些试验在寻找聚集特征的性能上优于更复杂的可替换性试验。文中所用的仿真模拟数据来源于德克萨斯州小麦产量的多时相遥感影像。