Mekansal-Zamansal Tahmin – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri
Kural Gösterimi
Çıktıda size bir dizi tablo ve harita sunulur. Haritalar etkileşimlidir ve mavi renkli noktalar kuralla ilişkili olanlar ve somon renkli noktalar kuralla ilişkili olmayanlar olmak üzere tahmin edilen ihlal noktalarını gösterir. Kuralı karşılayan çokgenler, yeşilin daha parlak bir tonu olarak vurgulanır, ancak bu örnekler o kadar çok noktayla kapsanmıştır ki, tanımlanması daha zordur. Sol taraftaki çubuk grafikte farklı kurallar arasında geçiş yapabilir ve haritayı güncelleyebilirsiniz. Haritaya çift tıklayarak, konumları yakından görmek için haritayı kaydırabilir ve yakınlaştırabilirsiniz.
Örnek bir kural ve harita gösterir. Şehrin çeşitli bölgelerinde Hırsızlık F/Auto ve üçten fazla Graffiti şikayeti olan yüksek yoğunlukta alanlar var. Bunlar, hem şehrin daha fazla bara ve diğer gece hayatı mekanlarına sahip olan orta kısmını hem de Amerikan Üniversitesi’ni kapsayan ve daha fazla yerleşim yeri olan şehrin daha kuzeybatı kısımlarını içerir.
Assault w/Dangerous Weapon için örnek kural, oldukça farklı bir uzamsal model gösterir. Bu koşulu karşılayan mavi noktaların çoğu, şehrin güneydoğu kesiminde, Anacostia Nehri’nin güneyinde ve doğusunda daha çok konut mahalleleri var.
Kuralın yüksek düzeyde çöp şikayetleriyle, ancak bunun dışında düşük düzeyde altyapı, duvar yazısı ve park şikayetleriyle ilişkili olduğuna dikkat edin. Bu nedenle, bu çok daha küçük alanlar, toplum polis memurlarının, daha az sıklıkla bildirilen diğer sorun türlerinin aksine, çöp şikayetlerine odaklanmayı düşünebilecekleri yerlerdir.
Mekansal-Zamansal Tahmin
SPSS Statistics V23’te tanıtılan ikinci jeo-uzamsal istatistiksel prosedür, Spatio-Temporal Prediction’dır. Bu modülde bir dizi nokta verisi veya belirli alanlarla ilişkili veri alabilir ve diğer değişkenlerin zamansal ölçümleri verilen coğrafi alanlar için gelecekteki sayıları tahmin edebilirsiniz. Ardından, hangi alanlarda hangi zaman serilerinin birbiriyle daha fazla ilişkili olduğunu görmek için coğrafi düzeyde yararlı yorumlar sağlar ve ayrıca gelecekteki değerleri tahmin etmek için bir araç sağlar. Modeller sığdırıldıktan sonra verilerinizi keşfetmek için Jeo-Uzamsal İlişki Kurallarında gösterilenlere benzer haritalama yetenekleri de sağlar.
Vaka Çalışması: Haftalık Çekimleri Tahmin Etme
Bu vaka çalışması, tahmine dayalı polislik örneği olarak Washington D.C.’de bildirilen diğer suçların yanı sıra, önceki silahlı saldırılardan haftalık olarak ateş edilen yerleri tahmin edecektir. Tom Cruise filmi Azınlık Raporu’ndan farklı olarak, bu basitçe, tarihsel sayılar ve diğer ilgili veriler verilen bir yerde gelecekte işlenecek suçların sayısını tahmin etmek anlamına gelir. Kimin suç işleyeceğini daha işlenmeden tahmin etmek demek değildir.
Polis departmanları, herhangi bir işletmenin ilgili değişkenlerin gelecekteki değerlerini tahmin etmesiyle aynı nedenlerle gelecekteki suç sayılarını tahmin eder. Tahminler, kaynakları en çok ihtiyaç duyulan yerlere tahsis etmeye yardımcı olabilir ve polis departmanını suçu caydırmak için mümkün olan en iyi adımları atmaya hazırlayabilir.
Bir polis departmanı, bütün bir şehir için uzun vadeli tahminlerle ilgileniyorsa, gelecekteki suç sayılarını tahmin etmek için konut nüfusunda beklenen artışlar veya yoksulluk içindeki insanların yüzdesindeki değişiklikler gibi demografik tahmin edicileri kullanabilir. Daha küçük alanlarla veya daha küçük zamansal pencerelerle ilgileniyorlarsa, demografik ölçümler kullanışlı değildir çünkü bu tür ayrıntılı ölçümler mevcut değildir.
Daha küçük coğrafi birimlerde ve zaman aralıklarında mevcut olan bir veri kaynağı diğer suçlardır. Ateşli silahların çoğu, doğası gereği misilleme niteliğindedir ve bu nedenle, saldırı, soygun veya hırsızlık gibi diğer suçlar (önceki atışlara tepki olarak) bazen ateş etmeyi hızlandırır. Ayrıca, insanları daha fazla huzursuz eden yoğun ısı veya insanların kapalı kalmasına neden olan çok soğuk hava veya yoğun yağışlar gibi diğer dış faktörlerin de sırasıyla her türlü suçun haftadan haftaya artmasına veya azalmasına neden olabileceği bir durumdur.
Mekansal etkileşim nedir
Mekansal Ekonometri nedir
Mekansal Ekonometri Kitap
Mekansal Ekonometri ferda
DC’deki çekim yerleri ShotSpotter algılama sistemi ile üçgenlenir. Bu, şehrin etrafına yerleştirilmiş, bir silahın ne zaman ve nerede ateşlendiğini özel olarak tespit edebilen bir dizi ses kayıt cihazıdır. Ancak DC, tüm şehri kapsayan ShotSpotter sensörlerine sahip değil. Georgetown ve Rock Creek Parkı da dahil olmak üzere şehrin batı kesiminin büyük bir bölümünü oluşturan Polis Bölgesi 2’de silahlı çatışmaların kapsamı minimum düzeyde.
Suç yerleri, önceki Jeo-Uzamsal Birliktelik Kurallarında kullanılanlarla aynıdır, ancak 2011’den 2012’ye kadar haftalık düzeyde ızgara hücrelerinde toplanır ve bildirilen diğer suçlar da dahildir. Bu veri setlerine yalnızca haftada ortalama 0.1’den fazla çekim yapılan yerler dahil edilir (yani, ortalama olarak her iki buçuk ayda bir en az bir çekim).
Bu adımlar, çekimleri tahmin etmek için Mekansal-Zamansal Tahmin prosedürünün nasıl kullanılacağını gösterir.
1.SPSSveridosyalarınıOpentheShootingsWeekly.savandForwardCrime_toScore .sav.
2. Ardından, Geospatial Association Rules’da olduğu gibi, Analyze menüsüne tıklayarak ve Spatial and Temporal Modeling ➪ Spatial Modeling’i seçerek Geospatial Modeling Wizard’ı açın.
3. “Jeo-uzaysal verilerle bir zaman serisi modeli oluştur” seçeneğini seçin.
4. İleri’ye tıklayın.
Daha sonra, Geospatial Association Rules’dakiyle aynı harita iletişim ekranıyla karşılaşacaksınız.
5. Sonuç haritası olarak DC_Fishnet.shp şekil dosyasını seçmek için aynı adımları izleyin ve bağlam verisi olarak ShootingsWeekly.sav dosyasını ayarlayın.
6. Ardından harita anahtarı ile veri anahtarı arasındaki ilişkiyi FishID’ye ayarlayın. Bu dosya hem açıklayıcı suç değişkenlerini hem de haftalık çekim verilerini içerir, bu nedenle ayrı bir tahmin dosyası kurmaya gerek yoktur.
Sihirbaz, çekim verilerini doğrudan X ve Y koordinatları olarak (Jeo-uzaysal Birliktelik Kurallarına benzer şekilde) alabilmesine ve ızgara hücreleri içindeki çekimlerin yoğunluğunu tahmin edebilmesine rağmen, yine de bazı bağlam verilerinin sağlanmasını bekler.
Yani, gelecek verilerin tahminini sadece önceki değerlere dayandıramazsınız ve gelecek tahminleri bilgilendirmek için başka bilgiler sağlamanız beklenir. Ayrıca, X ve Y koordinatlarını girdi olarak kullanırken, uzay-zaman birimlerinin her biri için sıfır olmayan bir yoğunluğun olması gerektiği durumdur.
Bu veri setinde (çoğu suçta polis departmanlarının tahmin etmekle ilgileneceği gibi) suçların seyrek olduğu yerler olacak ve birçok yer için sıfır atışla haftalar olacak. Bu nedenle, bu örnekte belirli hafta/ızgara hücre kombinasyonları için sıfır değerlerinin dahil edilmesi gereklidir.
Bir sonraki ekranda haritayı ve bağlam verilerini kurduktan sonra, tanıdık regresyon tipi iletişim kutusu ile karşılaşacaksınız.
Mekansal Ekonometri ferda Mekansal Ekonometri Kitap Mekansal Ekonometri nedir Mekansal etkileşim nedir