ArcMap

Метод наименьших квадратов (МНК)

Краткая информация

Выполняет глобальный Метод наименьших квадратов (МНК) для линейной регрессии, чтобы создать прогнозы или смоделировать зависимую переменную в терминах её взаимосвязей с описанными переменными.

Доступ к результатам этого инструмента (в том числе дополнительному PDF-файлу отчета) можно получить в окне Результаты. Если отключить фоновую обработку, результаты также будут показаны в диалоговом окне Ход процесса.

Подробнее о том, как работает Метод наименьших квадратов (МНК)

Иллюстрация

Регрессия по МНК
Регрессия по Методу наименьших квадратов: предсказанные значения по отношению к наблюдаемым значениям

Использование

  • Основным результатом работы этого инструмента является файл отчета, который записывается в окне Результаты. Если щелкнуть правой кнопкой мыши запись Сообщения в окне Результаты и выбрать Вид, итоговый отчет инструмента Исследовательская регрессия можно будет просмотреть в диалоговом окне Сообщение.

  • Инструмент МНК также создает выходной класс объектов и дополнительные таблицы с информацией о коэффициентах и диагностике. Все это доступно в окне Результаты. Выходной класс объектов автоматически добавляется в таблицу содержания со схемой отображения горячих/холодных точек, применяемой к невязкам моделей. Полное пояснение по каждому результату см. в разделе Интерпретация результатов по МНК.

  • Результаты регрессии МНК являются заслуживающими доверия только в том случае, если ваши данные и регрессионная модель удовлетворяет всем допущениям, неотъемлемо требуемым этим методом. Проанализируйте таблицу Распространенные проблемы, последствия и решения регрессии в Основах анализа регрессии, чтобы гарантировать, что ваша модель должным образом определена.

  • Зависимые и независимые переменные должны храниться в числовых полях, содержащих разнообразие значений. МНК не может работать, когда все переменные имеют одинаковые значения (например, все значения для поля равны 9.0). Линейные методы регрессии, такие, как МНК, не являются подходящими для предсказания бинарных результатов (например, все значения для зависимой переменной равны или 1 или 0).

  • Поле Уникальный ID связывает интерполяции модели с каждым объектом. Следовательно, значения поля Уникальный ID должны быть уникальными для каждого объекта и, как правило, это поле должно быть постоянным полем, принадлежащим классу объектов. Если у вас нет поля Уникальный ID, вы можете легко создать его путем добавления нового целого поля в вашу таблицу класса объектов и введения значений поля, аналогичных полю FID/OID. Вы не можете непосредственно использовать поле FID/OID для параметра Уникальный ID.

  • Всякий раз, когда есть статистически значимая пространственная автокорреляция остатков регрессии, модель МНК будут считаться неопределенной и, следовательно, результаты регрессии по МНК будут ненадежными. Примените инструмент Пространственная автокорреляция к невязкам вашей регрессии, чтобы оценить потенциальные проблемы. Статистически значимая пространственная автокорреляция невязок регрессии почти всегда указывает на один или несколько недостающих ключевых независимых переменных модели.

  • Вы должны визуально оценить все очевидные отклонения прогнозов в большую и меньшую сторону в невязках вашей регрессии, чтобы увидеть, дают ли они представления о потенциальных недостающих переменных в вашей регрессионной модели. Иногда проведение Анализа горячих точек по невязкам помогает визуализировать пространственную кластеризацию отклонений прогнозов в большую и меньшую сторону.

  • Если неопределенность является результатом попытки моделировать нестационарные переменные, используя глобальную модель (МНК – это глобальная модель), то может быть использована Географически взвешенная регрессия для улучшения прогнозов и лучшего понимания нестационарности (региональных вариаций) в ваших независимых переменных.

  • Если результатом вычисления является бесконечность или неопределенность, результат для файлов, которые не являются шейп-файлами, будет Null; для шейп-файлов результат будет – DBL_MAX (например, -1.7976931348623158e+308).

  • Итоговые результаты диагностики модели записываются в итоговый отчет по МНК и в дополнительную выходную таблицу результатов диагностики. Обе записи включают результаты диагностики исправленного Информационного критерия Akaike (AICc), коэффициент определения, соединенную F-статистику, статистику Вальда, стьюдентизированную Кенкером статистику Бреуша-Пагана и статистику Жарке-Бера. Диагностическая таблица также включает неисправленные значения AIC и квадратов Sigma.

  • Дополнительный коэффициент и/или диагностические выходные таблицы, если они уже существуют, будут переписаны, если отмечена опция перезаписи результатов операций геообработки.

  • Этот инструмент при необходимости создает PDF-файл отчета со сводным представлением результатов. PDF-файл не отображается автоматически в окне Каталога. Если необходимо отобразить файлы PDF в Каталоге, выберите опцию меню Настройка, щелкните Опции ArcCatalog и выберите вкладку Типы файлов. Нажмите кнопку Новый тип и укажите PDF, как показано ниже, для параметра Расширение файла.

    Добавление PDF-файлов в список файлов, отображаемых в окне Каталог

  • На компьютерах с языковыми пакетами ArcGIS для арабского языка и других языков, которые читаются справа налево, в PDF-файле выходного отчета может отсутствовать текст или элементы форматирования. Эти проблемы описаны в этой статье.

  • Слои карты можно использовать для определения Входного класса объектов. Если в слое есть выборка, только выбранные объекты будут включены в анализ.

Синтаксис

OrdinaryLeastSquares(Input_Feature_Class, Unique_ID_Field, Output_Feature_Class, Dependent_Variable, Explanatory_Variables, {Coefficient_Output_Table}, {Diagnostic_Output_Table}, {Output_Report_File})
ПараметрОбъяснениеТип данных
Input_Feature_Class

Класс пространственных объектов, содержащий зависимые и независимые переменные для анализа.

Feature Layer
Unique_ID_Field

Поле целых значений, содержащее разные значения для каждого объекта в Входном классе объектов.

Field
Output_Feature_Class

Выходной класс объектов с оценками зависимых переменных и невязками.

Feature Class
Dependent_Variable

Числовое поле, содержащее значения, для которых вы пытаетесь моделировать.

Field
Explanatory_Variables
[Explanatory_Variables,...]

Перечень полей, представляющих независимые переменные в вашей регрессионной модели.

Field
Coefficient_Output_Table
(Дополнительный)

Полный путь к дополнительной таблице, в которую будут записаны коэффициенты модели, стандартизированные коэффициенты, стандартные ошибки и вероятности для каждой независимой переменной.

Table
Diagnostic_Output_Table
(Дополнительный)

Полный путь к дополнительной таблице, в которую будут записаны суммарные диагностические параметры модели.

Table
Output_Report_File
(Дополнительный)

Полный путь к дополнительному PDF-файлу, создаваемому инструментом по вашему требованию. Этот файл отчета включает данные диагностики модели, графические данные и примечания, которые помогают интерпретировать результаты регрессии по МНК.

File

Пример кода

OrdinaryLeastSquares, пример 1 (окно Python)

Следующий скрипт в окне Python демонстрирует, как использовать инструмент OrdinaryLeastSquares.

import arcpy
arcpy.env.workspace = r"c:\data"
arcpy.OrdinaryLeastSquares_stats("USCounties.shp", "MYID","olsResults.shp", 
                                 "GROWTH","LOGPCR69;SOUTH;LPCR_SOUTH;PopDen69",
                                 "olsCoefTab.dbf","olsDiagTab.dbf")
OrdinaryLeastSquares, пример 2 (автономный скрипт Python)

Следующий автономный скрипт Python демонстрирует, как использовать инструмент OrdinaryLeastSquares.

# Analyze the growth of regional per capita incomes in US
# Counties from 1969 -- 2002 using Ordinary Least Squares Regression
# Import system modules
import arcpy
# Set property to overwrite existing outputs
arcpy.env.overwriteOutput = True
# Local variables...
workspace = r"C:\Data"
try:
    # Set the current workspace (to avoid having to specify the full path to the feature classes each time)
    arcpy.env.workspace = workspace
    # Growth as a function of {log of starting income, dummy for South
    # counties, interaction term for South counties, population density}
    # Process: Ordinary Least Squares... 
    ols = arcpy.OrdinaryLeastSquares_stats("USCounties.shp", "MYID", 
                        "olsResults.shp", "GROWTH",
                        "LOGPCR69;SOUTH;LPCR_SOUTH;PopDen69",
                        "olsCoefTab.dbf",
                        "olsDiagTab.dbf")
    # Create Spatial Weights Matrix (Can be based off input or output FC)
    # Process: Generate Spatial Weights Matrix... 
    swm = arcpy.GenerateSpatialWeightsMatrix_stats("USCounties.shp", "MYID",
                        "euclidean6Neighs.swm",
                        "K_NEAREST_NEIGHBORS",
                        "#", "#", "#", 6) 
                        
    # Calculate Moran's Index of Spatial Autocorrelation for 
    # OLS Residuals using a SWM File.  
    # Process: Spatial Autocorrelation (Morans I)...      
    moransI = arcpy.SpatialAutocorrelation_stats("olsResults.shp", "Residual",
                        "NO_REPORT", "GET_SPATIAL_WEIGHTS_FROM_FILE", 
                        "EUCLIDEAN_DISTANCE", "NONE", "#", 
                        "euclidean6Neighs.swm")
except:
    # If an error occurred when running the tool, print out the error message.
    print(arcpy.GetMessages())

Параметры среды

Информация о лицензиях

  • Basic: Да
  • Standard: Да
  • Advanced: Да

Связанные разделы