空間統計は、空間と空間リレーションシップを直接、数式に組み込みます (面積、距離、長さ、近接など)。一般に、このような空間リレーションシップは、空間ウェイトと呼ばれる値を介して形式的に定義されます。空間ウェイトは、空間ウェイト マトリックスにまとめられ、空間ウェイト マトリックス ファイルとして保存されます。
空間ウェイト マトリックスは、データセットのフィーチャ間に存在する空間的および時系列的リレーションシップを定量化します (少なくとも、そのようなリレーションシップのコンセプトを定量化します)。空間ウェイト マトリックス ファイルの物理的形式はさまざまに異なっても、概念的には、空間ウェイト マトリックスは、データセットの各フィーチャに 1 行と 1 列を割り当てたテーブルと考えることができます。ある行と列を組み合わせたセルの値は、その行と列のフィーチャの間の空間リレーションシップを定量化したウェイトです。
inverse distance、fixed distance、時空間ウィンドウ、K nearest neighbors, contiguity、spatial interaction など、加重方法にはさまざまな可能性があります (このような空間リレーションシップの概念モデルについては、「空間リレーションシップのモデル化」をご参照ください)。特定の分析用に空間リレーションシップをモデル化するために選択したコンセプトは、データに構造をもたらします。そのため、分析対象のフィーチャが実世界で実際にどのように相互作用しているかを最もよく反映するコンセプトを選択する必要があります。
しかし、非常に基本的なレベルで、加重は二値か可変値のどちらかです。たとえば、二値荷重は、fixed distance、space-time window、K nearest neighbors、contiguity の空間リレーションシップで使用されます。二値加重の場合、特定のターゲット フィーチャについて、そのすべての近傍フィーチャに加重 1 を、それ以外のすべてのフィーチャに加重 0 を割り当てます。inverse distance または inverse time の空間リレーションシップの場合、加重は可変値です。可変加重は 0 ~ 1 の範囲で指定され、近くの近傍フィーチャには遠くの近傍フィーチャよりも大きな加重が与えられます。
空間ウェイトは、多くの場合、特に二値加重方式では、行で標準化されます。行による標準化は、フィーチャの近傍の数が等しくない場合に比例的に加重を作成するときに使用されます。行による標準化では、フィーチャの各近傍の加重が、そのフィーチャのすべての近傍の加重の合計で割られます。行による標準化が推奨されるのは、サンプリングの設計または課された集約方式によってフィーチャの分布にバイアスがかかっている可能性がある場合です。フィーチャがポリゴンである場合は、ほとんど常に行の標準化を適用します。
関連トピック
- 空間関係のモデリング
- ネットワーク空間ウェイトの生成 (Generate Network Spatial Weights)
- 空間ウェイト マトリックスの生成 (Generate Spatial Weights Matrix)
- 高/低クラスター分析 (High/Low Clustering (Getis-Ord General G))
- 空間的自己相関分析 (Spatial Autocorrelation (Global Moran's I))
- クラスター/外れ値分析 (Cluster and Outlier Analysis (Anselin Local Moran's I))
- ホット スポット分析 (Hot Spot Analysis (Getis-Ord Gi*))
- グループ分析 (Grouping Analysis)