超级会员免费看
本文介绍了地理加权回归（GWR）的基础知识，它是线性回归的扩展，考虑了空间异质性和空间自相关。GWR分为全局和局部回归，其中局部回归更能反映空间位置影响。通过引入地理位置函数，GWR能更好地捕捉因变量与自变量在不同位置的关系。加权最小二乘法用于估计回归参数，权重取决于空间距离，距离越近，权重越大。核函数如高斯和指数函数用于确定权重，带宽的选择影响权重的衰减速度。
开个新坑啊，写一写关于地理加权回归基础的东西（深了我也不会啊），希望也能用通俗的语言来记录一下我以前学习空间统计过程中的理解。
1. 传统线性回归
不管你有没有系统学习过，对于线性回归，相信多少都有那么点了解。回归分析实质上就是研究一个或多个自变量X对一个因变量Y的影响关系情况，如研究各地房价影响因素。X1-Xn是n个自变量，β0-βn是未知参数，可以使用最小二乘法进行估计，即β0-βn的最小二乘估计（那个β尖符号）。当自变量为1个时，是一元线性回归，自变量为2个及以上时，称为多元线性回归。
我也不会去深入巴拉一堆我也不专业的数学问题，地理加权回归正是在线性回归的基础上扩展而来，所谓青出于蓝而胜于蓝，那地理加权回归比传统的线性回归蓝在哪啊
一般线性回归都是全局的，由于空间自相关(地理学第一定律)和空间异质性(地理学第二定律)的存在，传统的回归模型不适用于处理地理空间数据。而GWR是在多元线性回归
订阅专栏 解锁全文
扫一扫
1150
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
