Sửa đổi I / LISA của Bivariate Moran để bao gồm bản thân?

Tôi đang sử dụng hàm I của Bivariate Moran của GeoDa để kiểm tra các mẫu sắp xếp giữa hai biến ở cấp quận (gọi chúng là A và B ngay bây giờ).

Tôi biết rằng, khi thực hiện phân tích, tôi có thể nói những điều như "Các hạt có giá trị cao đối với A có xu hướng có hàng xóm có giá trị B cao"

Điều tôi muốn nói là "Các hạt có giá trị A cao có xu hướng định vị ở các khu vực có giá trị B cao" Sự khác biệt là sau này dường như bao gồm quận nơi A cao cũng như các nước láng giềng, trong khi trước đây chỉ bao gồm hàng xóm.

Tôi có thể thấy cách của mình để thay đổi điều này - chỉ đơn giản là biến mỗi quận thành hàng xóm của riêng mình trong ma trận trọng số, nhưng tôi đã tự hỏi loại tàn phá này sẽ đóng vai trò gì đối với các giá trị của tôi đối với tôi và phần còn lại của chẩn đoán.

Tái bút Nếu bạn tình cờ vấp phải câu hỏi giống hệt này được đăng bởi tôi ở đây: https://groups.google.com/forum/?fromgroups#!topic/openspace-list/WUL1kQkenWo

xin lưu ý rằng câu trả lời tôi nhận được không chính xác như đã được chỉ ra cẩn thận bởi một nhà phê bình khá giận dữ.

Đường chéo ma trận đại diện cho tiềm năng bản thân. Thông thường, khi bạn giải quyết cho Moran's-I, bạn xóa đường chéo của ma trận. Tuy nhiên, tôi không thể tìm thấy bất cứ điều gì trong tài liệu GeoDa giải thích hành vi mặc định của thống kê. Tôi chưa bao giờ thấy các tùy chọn để lấy trọng lượng giữa các vì vậy, tôi sẽ tưởng tượng rằng, vì là 0, đường chéo được loại bỏ. Bạn có thể cần liên hệ với các tác giả để có câu trả lời dứt khoát.

Tôi biết rằng việc triển khai ArcGIS có một tùy chọn để bao gồm tiềm năng bản thân trong trường hợp đơn biến (xin lỗi, không có triển khai bivariate). Tuy nhiên, chúng không có thống kê kiểm tra chính xác và giá trị z và giá trị p không ổn định khi phải đối mặt với các phân phối không bình thường.

Có khả năng cách duy nhất bạn có thể thực hiện điều này là tự mã hóa nó trong một cái gì đó như PySal hoặc R. Trọng lượng giữa các đơn vị được tính là: dij = 0,5 * [(Aij / π) ** 0,5] nhưng bạn sẽ phải tìm ra sự điều chỉnh bivariate. Nếu bạn thực hiện điều này, bạn sẽ phải suy nghĩ lâu dài và khó khăn về ý nghĩa. Tôi không chắc chắn rằng nó sẽ cung cấp cho bạn những gì bạn đang nghĩ.

Bạn có thể xem xét sử dụng thống kê quét phù hợp hơn cho phân tích chuỗi thời gian theo không gian theo các giả định phân phối cụ thể. Điều này sẽ cung cấp cho bạn một khuôn khổ phù hợp hơn để kiểm tra giả thuyết. Tôi cũng sẽ nhìn vào Crimestat . Như tôi nhớ có một sự linh hoạt trong việc xác định hành vi dự phòng và có một Moran's-I / LISA.

Bạn cũng có thể xem xét một mô hình tự phát (Li et al., 2007). Phương pháp này quy mô lại số đo bằng một hàm của các giá trị riêng của ma trận trọng số không gian và cung cấp một thước đo mạnh mẽ hơn nhiều về sự phụ thuộc không gian.

Li, H., C.A. Calder and N. Cressie. (2007). Beyond Moran’s I: Testing for spatial   
  dependence based on the spatial autoregressive model. Geographical Analysis 
  39:357–375. 

Xin lỗi vì không thể cung cấp một câu trả lời dứt khoát hơn.