Mapa Choropleth

Question

Tengo varios conjuntos de choropleth mapas que muestran los rangos de pobreza por la vía del censo, cada uno, utilizando una medida de pobreza. Todos los mapas de uso de la misma categórica rangos para definir el estatus de la pobreza.

Los mapas se diferencian claramente visualmente en la distribución de la pobreza, pero estoy teniendo problemas para encontrar una manera de proporcionar una comparación estadística entre los mapas. He intentado mediante tablas de contingencia y la comparación de chi-cuadrado de valores - sin embargo, esto realmente sólo compara los condes de áreas que caen dentro de cada categoría, pero no proporciona ninguna indicación de coincidencia espacial.

Hay medidas estadísticas para comparar estos tipos de mapas, tanto de forma numérica y espacial?

Edit: Ejemplos de mapas están por debajo de

Answer 1

Creo que una buena opción sería Bivariante Moran me Bivariante o Local de Moran I (también llamado Bivariante LISA de Indicadores Locales de Asociación Espacial), ambos de los cuales pueden ser implementados en GeoDa. El tutorial es "viejo", pero con la excepción de algunas menú de cambio de nombre es todavía bastante usefl, y, por supuesto, la estadística conceptos son aplicables.

Los fundamentos son como sigue. Moran bivariado del yo es una extensión de Univariante Moran I, que es un índice de la escala de -1 a 1 de la autocorrelación espacial de una variable. Un fenómeno que está agrupado positivo de Moran I, mientras que una variable que se dispersa (por ejemplo, un patrón de tablero de ajedrez) tendrá un negativo Moran I. Moran I cercano a 0 indica aleatoriedad espacial. Global de Moran I (generalmente conocido como Moran I) calcula la medida a lo largo de toda el área de estudio, mientras que el Local de Moran I calcula para cada ubicación basada en su vecindario local. Para Local de Moran I, GeoDa produce mapas (en rojo-esquema de color azul que se ha convertido en el estándar) de los valores Altos rodeado de Altos valores, Alta-Baja, Baja-Alta y baja-Baja.

Bivariado Moran me hace algo similar, excepto en que se compara una variable (en tu ejemplo, INCRAT) en una ubicación a la media ponderada de otra variable en las áreas vecinas (por ejemplo, ADJPCI). Un positivo Moran me gustaría indicar que INCRAT es espacialmente correlacionados con ADJPCI. Local de Moran quisiera mostrar los mapas de clusters de alta y baja de los valores.

Para acceder a estas funciones en GeoDa, ir al Espacio→Bivariante Moran I o Espacio→Bivariante Local de Moran I. En ambos casos, usted tiene que especificar los pesos de la matriz. Cuando la Seleccione Pesos de diálogo que aparece, haga clic en el botón para Crear nuevos pesos archivo. Especificar el identificador único (por ejemplo, a partir de sus mapas, me imagino el Tracto ID). Elija entre la Contigüidad de Peso y la Distancia de Peso. La opción más sencilla es la Contigüidad de Peso, donde contiguos de los polígonos de ponderación de 1 y todos los demás son ponderado 0. Usted tiene que elegir entre la torre o la reina de la contigüidad, es decir, son polígonos contiguos sólo si sus bordes se tocan, o incluso si sólo tienen un vértice en común?

Para Moran I, GeoDa va a producir un diagrama de dispersión de la variable X en contra de la espacialmente quedado Y variable, así como el valor calculado en el rango de -1 a 1.

Para Local de Moran I, usted tiene la opción para producir el diagrama de dispersión, el clúster de mapa (como se muestra arriba para el caso univariante), y un significado mapa que muestra el nivel de significación asociado con cada grupo.

Información sobre cómo hacer esto está contenido en el Capítulo 21 del tutorial enlazado más arriba. Información sobre cómo crear la matriz de ponderaciones espaciales está en el Capítulo 15.

Answer 2

Me puede mijudging la situación aquí, pero se puede tratar esto como un problema de idoneidad y multiplica los INCRAT y ADJPCI para cada área y el producto. Tienes que cambiar los valores para que sean todos positivos pero he encontrado que es una buena manera de comparar varias variables directamente, independientemente de lo que su rango de valores son.

Answer 3

Ha sido un tiempo desde que esta pregunta se la hicieron, pero yo lo vi por casualidad el día de hoy y desde ya tuve un problema similar, he pensado que me gustaría lanzar en mis 2 centavos.

Usted podría estar interesado en un algoritmo llamado Mapcurves, que le da una bondad de ajuste de medida basada en la superposición espacial. El algoritmo se describe en este documento y una implementación en R y Matlab está disponible aquí. En resumen, Mapcurves calcula, para cada par de categorías a partir de los dos mapas, un valor entre 0 y 1 que representa el grado de similitud entre las dos clases (con 0 sin superposición y 1 si las clases son idénticos). Este valor es el porcentaje de la clase a (de Un mapa) que se superpone con el de la clase B, ponderado por el porcentaje de la clase B, que se superpone con la clase A. Esto le dará una especie de "tabla de contingencia" con bondad de ajuste de valores en lugar de la cuenta. Siguiente, las puntuaciones se suman para cada clase (es decir, en los márgenes de la tabla). A continuación, para cada una de las posibles grado de similitud entre 0 y 1 (la elección de intervalo es hasta usted, por ejemplo, el papel y la ejecución de más de utilizar los pasos de 0,02), el porcentaje de todas las clases que están igual o por encima de ese valor se representa en una curva (de ahí el nombre). El área bajo la curva, que también estará entre 0 y 1, es una medida de similitud global de los dos mapas.

Desde mi experiencia, yo diría que esto es útil si varios mapas son objeto de comparación (es decir, "es el mapa 2 más similar a la mapa 1 mapa 3?"). Independiente de bondad de ajuste de valor, por otro lado, es más difícil de interpretar como la tosquedad de los mapas también afecta el resultado. Otra cosa a considerar, si se la compara con los polígonos con idéntico geometrías como en este caso, es si desea comparar los valores de los objetos directamente (es decir, proporcionar sólo los atributos como entrada para el algoritmo) en lugar de tomar en cuenta el área de los polígonos.

Espero que ayude (si usted todavía está trabajando en este problema!)