« Régression géographiquement pondérée » : différence entre les versions
Contenu supprimé Contenu ajouté
création de l'article |
(Aucune différence)
|
Version du 26 octobre 2011 à 12:40
La Régression géographiquement pondérée (« Geographically Weighted Regression » ou « GWR ») est une Régression (statistiques) adaptée au domaine de l'analyse spatiale et tenant compte de la dépendance géographique [1],[2].
Description
Formellement, le modèle peut s'écrire, en tout point (i,j) de l'espace géographique étudié:
La matrice où chaque est porteur de la dépendance spatiale locale est s'exprime à l'aide d'une fonction noyau (« kernel ») du type gaussienne comme par exemple [2].
Notes et références
Notes
Références
- Shashi Shekhar, Michael R. Evans, James M. Kang, Pradeep Mohan, « « Identifying patterns in spatial information: A survey of methods » », (consulté le )
- [PDF](en)Martin Charlton, A Stewart Fotheringham, « « Geographically Weighted Regression White Paper » », (consulté le )
Voir aussi
Bibliographie
- (en)Harvey Miller et Jiawei Han, Geographic Data Mining and Knowledge Discovery, Boca Raton, CRC Press, , 458 p. (ISBN 978-1-4200-7397-3).
- (en)Yee Leung, Knowledge Discovery in Spatial Data, Heidelberg, Springer, , 360 p. (ISBN 978-3-6420-2664-5)
- (en)Hillol Kargupta, Jiawei Han, Philip Yu, Rajeev Motwani et Vipin Kumar, Next Generation of Data Mining, Minneapolis, CRC Press, , 605 p. (ISBN 978-1-4200-8586-0)
- Franck Guarnieri et Emmanuel Garbolino, Systèmes d'information et risques naturels, Paris, Presses des MINES, , 251 p. (ISBN 978-2911762529)
Articles connexes
- Régression linéaire
- Régression linéaire multiple
- Régression logistique
- Modèle linéaire généralisé
- Régression non paramétrique
- Modèles de régression multiple postulés et non postulés
Liens externes
- Hans-Peter Kriegel, Spatial Data Mining