地理加权回归的尝试

TIP

for example, see: https://pysal.org/notebooks/model/mgwr/GWR_prediction_example.html

变量类型

GWR（Geographically Weighted Regression）既可以应用于离散型变量，也可以应用于连续型变量。

• 对于离散型变量，可以使用逻辑回归模型进行地理加权回归，这样可以分析自变量对于一个二元或多元分类目标的影响。
  • 对于纯粹的分类变量，特别是二元变量或名义变量，GWR可能不是最合适的方法。在这些情况下，可能需要使用其他类型的空间分析方法，如空间自回归模型（Spatial Autoregressive Model, SAR）、空间误差模型（Spatial Error Model, SEM）或空间滞后模型（Spatial Lag Model, SLM），这些模型专门设计用于处理分类数据的空间依赖性。
• 对于连续型变量，通常使用线性回归模型进行地理加权回归，这样可以分析自变量对于一个连续型因变量的影响。

研究对象

GWR 的研究对象可以是区划面，也可以是栅格。

• 区划面：GWR通常用于分析具有明确边界的空间单元，如城市、社区、选区(ward)等。在这种情况下，每个区划面单元都是一个观测点，GWR模型会考虑每个观测点的位置以及与其他观测点的空间关系。
• 格网或栅格：GWR也可以应用于格网或栅格数据，尤其是在环境科学和地理信息系统（GIS）中。在这种应用中，每个栅格单元可能代表一个特定的土地利用类型、植被覆盖或其他空间属性，GWR模型会分析这些属性在空间上的变异性。