با سلام دوستان در رگرسیون وزنی جغرافیاییgwrمیخام چندنوع متغییر مستقل و رو با هم وارد و یک خروجی بگیرم ولی بالا نمیاد چطوری این هارو استانداد سازی کنم ممنون میشم اگه راهنمایی بفرمایید. 

سلام من تفاوت دوتا رگرسیون وزنی و حداقل مربعات معمولی رو متوجه نمیشم ممنون میشم راهنماییم کنین.
 

سلام
به نظر من  در رگرسیون فاصله معکوس یا IDW  عمل پیش بینی نقاط مجهول بدین صورت هست با فاصله رابطه معکوس دارد یعنی هرچه فاصله از نمونه بیشتر باشد میزان اثر گذاری کمتر خواهد شد و برعکس ولی در رگرسیون حداقل مربعات یا OLS روش تخمین بصورت خطی انجام می گیرد یعنی تمامی نقاط پیش بینی شده عمود بر نقطه مشاهده شده می باشد لذا تفاوت این دو در این هست که رگرسیون IDW جهت مشخصی برای ان در نظر گرفته نمی شود بلکه در تمامی جهات عملیات را  پیش بینی را انجام میدهد و با فاصله رابطه معکوس دارد و لی در OLS فقط در یک مسیر خطی پیش بینی انجام مشود  - البته این نظر بنده هست شاید دوستان نظر درست تری داشته باشند
در پایین تصاویر مربوطه برای هر دو رگرسیون گذاشته شده است که موید همین مطلب می باشد تصویر 1 رگرسیون IDW و تصویر 2 رگرسیون OLS

 

 

 

ممنون، تشکر. خیلی لطف کردین.اما من رگرسیون وزنی جغرافیایی  رو میخوام مگه بافاصله معکوس یکی هستن؟

رگرسیون وزنی جغرافیایی (GWR) یکی از چندین تکنیک رگرسیون فضایی است که به طور فزاینده در جغرافیا و سایر رشته ها مورد استفاده قرار می گیرد. GWR یک مدل محلی از متغیر یا فرآیند شما را در تلاش برای درک یا پیش بینی با قرار دادن یک معادله رگرسیون برای هر ویژگی در مجموعه داده فراهم می کند.GWR این معادلات جداگانه را با ترکیب متغیرهای وابسته و توضیحی ویژگی هایی که در پهنای باند هر یک از ویژگی های هدف قرار دارند، ساخته می شود  شکل و اندازه پهنای باند وابسته به ورودی کاربر برای نوع هسته، روش پهنای باند، فاصله و تعداد پارامترهای همسایه است.

در مدل های رگرسیون جهانی، مانند OLS، نتایج غیرقابل اعتماد است، زمانی که دو یا چند متغیر دارای چندین همبستگی هستند (زمانی که دو یا چند متغیر از کار بیفتند یا با یکدیگر یک حالت مشابه را بیان کنند). GWR یک معادله رگرسیون محلی برای هر ویژگی در مجموعه داده ایجاد می کند. هنگامی که مقادیر خوشه متغیر توضیحی به طور فضایی، شما احتمالا با خطای محلی چندین مشکل دارید. شماره وضعیت در کلاس ویژگی خروجی نشان می دهد که نتایج به دلیل خطای چند متغیره محلی ناپایدار است. به عنوان یک قاعده کلی، نتایج را برای feature هایی در شرایطی که عدد بزرگتر از 30 باشد اعتماد نکنید؛ برابر با Null در نظر بگیرید یا برای shapefile ها برابر با 1.7976931348623158e+308- است. -التبه این مطالب از طریق google translate ترجمه کردم و اصلاحش کردم واسه همین ممکن هست برخی از جملات مشکل مفهوم داشته باشند امیدوارم کمک تون بکنه

 

خیلی ممنون.لطف کردین