Географически взвешенная регрессия¶

Географически взвешенная регрессия (англ. Geographically Weighted Regression, GWR) — это локальный метод пространственного регрессионного анализа, который позволяет моделировать нестационарные (изменяющиеся в пространстве) взаимосвязи между зависимой переменной и набором независимых переменных. В отличие от глобальных регрессионных моделей (например, обычной линейной регрессии), GWR предполагает, что параметры регрессии (коэффициенты) не являются постоянными для всей территории, а могут различаться в зависимости от географического положения точек наблюдения. Метод широко используется в географии, экономике, эпидемиологии, экологии и других науках, где изучаются пространственно-распределённые данные.

¶История

Метод географически взвешенной регрессии был предложен в 1996 году британскими географами Крисом Брансдоном (Chris Brunsdon), А. Стюартом Фотерингемом (A. Stewart Fotheringham) и Мартином Чарльтоном (Martin Charlton) в серии публикаций, посвящённых пространственному анализу. Первоначально GWR разрабатывалась как альтернатива глобальным моделям, которые не учитывали пространственную неоднородность. В 2002 году вышла монография «Geographically Weighted Regression: The Analysis of Spatially Varying Relationships», ставшая основополагающей для дальнейшего развития метода.

В России GWR начала применяться в научных исследованиях с середины 2000-х годов, в основном в работах по социально-экономической географии и региональной экономике. С развитием вычислительных мощностей и доступности программного обеспечения (например, пакетов в R, Python, ArcGIS) метод стал более распространённым.

¶Основные принципы

¶Глобальная и локальная регрессия

В классической линейной регрессии (глобальной) модель оценивается по всем наблюдениям одновременно:

\[ y_i = \beta_0 + \sum_{k=1}^{p} \beta_k x_{ik} + \varepsilon_i \]

где \( y_i \) — зависимая переменная, \( x_{ik} \) — независимые переменные, \( \beta_k \) — глобальные коэффициенты, \( \varepsilon_i \) — ошибка. Эта модель предполагает, что взаимосвязь между переменными одинакова для всей территории.

В GWR каждый коэффициент \( \beta_k \) становится функцией координат точки \( (u_i, v_i) \):

\[ y_i = \beta_0(u_i, v_i) + \sum_{k=1}^{p} \beta_k(u_i, v_i) x_{ik} + \varepsilon_i \]

Здесь \( \beta_k(u_i, v_i) \) — локальные коэффициенты, которые оцениваются отдельно для каждой точки наблюдения с использованием взвешенного метода наименьших квадратов.

¶Взвешивание

Ключевой элемент GWR — весовая функция, которая определяет вклад соседних точек в оценку коэффициентов для целевой точки. Чем ближе точка к целевой, тем больше её вес. Наиболее распространённые весовые функции:

• Ядро Гаусса: \( w_{ij} = \exp\left(-\frac{d_{ij}^2}{h^2}\right) \), где \( d_{ij} \) — расстояние между точками \( i \) и \( j \), \( h \) — ширина полосы пропускания (bandwidth).
• Биквадратное ядро: \( w_{ij} = \left(1 - \frac{d_{ij}^2}{h^2}\right)^2 \) для \( d_{ij} < h \), и 0 в противном случае.
• Ядро с фиксированным числом соседей: используется для адаптивного выбора \( h \) в зависимости от плотности точек.

Ширина полосы пропускания \( h \) может быть фиксированной (одинаковой для всех точек) или адаптивной (меняющейся в зависимости от локальной плотности данных). Выбор \( h \) критически важен: слишком малое значение приводит к переобучению, слишком большое — к сглаживанию локальных вариаций.

¶Классификация

¶По типу ядра

• Фиксированное ядро — одинаковое расстояние, определяющее окрестность для всех точек.
• Адаптивное ядро — число соседей фиксировано, а расстояние меняется.

¶По методу оценки

• GWR с обычным взвешенным МНК — стандартный подход.
• GWR с регуляризацией — для борьбы с мультиколлинеарностью (например, гребневая регрессия).
• GWR с пространственно-временными данными — расширение на временной ряд (GTWR).

¶Применение

¶Экономика и региональная наука

GWR используется для анализа пространственной неоднородности экономических показателей, например, влияния уровня безработицы на доходы населения в разных регионах. В России метод применялся для изучения дифференциации социально-экономического развития муниципальных образований.

¶Экология и география

В экологии GWR моделирует зависимость видового разнообразия от климатических факторов, где коэффициенты могут меняться в зависимости от широты или высоты. В географии — для анализа пространственных закономерностей заболеваемости (например, рака) от факторов окружающей среды.

¶Эпидемиология

GWR помогает выявить локальные очаги заболеваний, где связь между факторами риска (загрязнение воздуха, плотность населения) и заболеваемостью сильнее или слабее, чем в среднем.

¶Транспорт и урбанистика

Метод применяется для моделирования транспортных потоков, цен на недвижимость (гедонистическое ценообразование) и доступности услуг.

¶Преимущества и недостатки

¶Преимущества

• Учёт пространственной неоднородности, что позволяет выявить локальные закономерности, скрытые в глобальных моделях.
• Визуализация результатов в виде карт коэффициентов, что облегчает интерпретацию.
• Относительная простота реализации по сравнению с более сложными пространственными моделями (например, с пространственными авторегрессиями).

¶Недостатки

• Мультиколлинеарность: локальные оценки могут быть нестабильными из-за корреляции между переменными в окрестности.
• Чувствительность к выбору ширины полосы: неправильный выбор \( h \) ведёт к искажённым результатам.
• Вычислительная сложность: для больших наборов данных (сотни тысяч точек) оценка требует значительных ресурсов.
• Проблема краевых эффектов: на границах территории оценки могут быть ненадёжными из-за малого числа соседей.
• Отсутствие единой теории: GWR не всегда имеет строгое статистическое обоснование, особенно при наличии пространственной автокорреляции ошибок.

¶Критика

Критики GWR отмечают, что метод может давать ложные выводы, если пространственная неоднородность на самом деле отсутствует, а наблюдаемые вариации коэффициентов вызваны случайными флуктуациями. Кроме того, GWR не всегда правильно учитывает пространственную автокорреляцию, что может приводить к смещённым оценкам. В ответ на это были разработаны модификации, такие как GWR с пространственной авторегрессией (GWR-SAR) и байесовские подходы.

¶Программное обеспечение

GWR реализована в ряде программных пакетов:

• R: пакет spgwr (основной), GWmodel (расширенный функционал).
• Python: библиотека mgwr (часть PySAL), scikit-learn (с кастомной реализацией).
• ArcGIS Pro: инструмент «Geographically Weighted Regression» в наборе Spatial Statistics.
• QGIS: плагин «GWR» (ограниченный функционал).
• MATLAB: пользовательские скрипты.

¶Интересные факты

• GWR часто используется в сочетании с методами визуализации, такими как карты локальных коэффициентов, что позволяет наглядно представить пространственные закономерности.
• Метод лёг в основу более сложных моделей, например, многомасштабной GWR (MGWR), где ширина полосы может различаться для разных переменных.
• В 2010-х годах GWR была адаптирована для анализа больших данных с использованием параллельных вычислений.