نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 گروه جغرافیا و برنامه‌ریزی دانشکده جغرافیا و برنامه ریزی دانشگاه تبریز

2 دانشگاه تبریز

3 استادیار دانشگاه دامغان، دانشکده علوم زمین

4-3

چکیده

هدف اصلی این مطالعه بررسی مدل­های فضایی و روش­های  متعارف برآورد مدل­های مکانی نظیر حداقل مربعات معمولی و رهیافت جدیدتر رگرسیون وزنی جغرافیایی می­باشد. برای این منظور نقاط ضعف و قوت هر دو رهیافت رگرسیون وزنی جغرافیایی و حداقل مربعات معمولی با ارائه یک مثال ساده مورد توجه قرار گرفته و بر اساس چارچوب نظری هر دو روش، رهیافت مناسب برای برآورد مدل­های مکانی ارائه شده است. نتایج مقایسه این دو روش نشان می­دهد که روش رگرسیون وزنی جغرافیایی در مقایسه با روش­های  معمول و متعارف برآورد مدلهای مکانی به دلیل درنظر گرفتن تفاوت‌های مکانی، وابستگی و ناهمسانی فضایی در بین مشاهدات، نتایج مطلوبتری را ارائه می­دهد. علاوه بر این، معیارهای خوبی برازش مدل نیز دلالت بر مناسب بودن روش رگرسیون وزنی جغرافیایی می­باشد

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

The comparative investigation of GWR and OLS methods in estimation of location models

نویسندگان [English]

  • Mohammadreza Pourmohammadi 1
  • Rasoul Ghorbani 2
  • ali akbar taghipour 3

1 Department of Geography and Planning, School of Geography, University of Tabriz

چکیده [English]

Using the quantitative tools, methods and techniques in various sciences has been expanded during the recent years.  The quantitative methods’ utilization in different branches of Humanities, especially the urban and regional planning have been always faced to various challenges. The reason of generated challenges is the complex nature of the human behaviors. Ordinary least Squares (OLS) is one of the popular methods in spatial model domain. It is supposed, in this method, that there is no spatial anisotropy among the observations and the spatial dependence doesn’t exist among the noise terms. It can be seen, in spatial data, using of the general regression methods such as Ordinary Least Squares (OLS) and will cause the model parameter dispersion. So it is necessary to use some other spatial modelling methods such as Geographically Weighted Regression (GWR). The experimental studies, have been done in this domain, reveal that the spatial regression methods can consider the spatial anisotropy among the observations and the noise terms dependence and will cause the estimations without the swearing and compatible with the parameters of the statistical society.

-       اکبری، نعمت ا...؛ مویدفر، رزیتا (1383)؛ «بررسی همگرایی درآمد سرانه بین استان­های کشور (یک رهیافت اقتصادسنجی فضایی)»؛ فصلنامه پژوهش­های   اقتصادی؛ شماره 13، پاییز.
-       اکبری، نعمت الله؛ عمادزاده، مصطفی؛ رضوی، سیدعلی (1383)؛ «بررسی عوامل موثر بر قیمت مسکن در شهر مشهد رهیافت اقتصاد سنجی فضایی در روش هدانیک»؛ فصلنامه پژوهش­های  اقتصادی، شماره 11 و 12.
-       جعفری صمیمی، احمد؛ زروکی، شهریار؛ اعتصامی، حسین (1389)؛ «برآورد تابع تقاضای مسکن با استفاده از مدل هدانیک (مطالعه موردی شهر قائمشهر)»؛ فصلنامه اقتصاد کاربردی، شماره 2
-       رحمانی، تیمور؛ امیری، میثم (1386)؛ «بررسی تاثیر رشد اقتصادی در استان­های ایران با روش اقتصاد سنجی فضایی»؛ مجله تحقیقات اقتصادی؛ شماره 78، بهار.
-       سعادت مهر، مسعود (1389)؛ «تخمین تابع قیمت هدانیک مسکن شهری خرم آباد با داده­های مقطعی»؛ مجله دانش و توسعه، شماره 33.
-       سلطانی، علی؛ احمدیان، علیرضا؛ اسمعیلی ایوکی، یوسف (1389)؛ «کاربرد مدل رگرسیون وزن­دار فضایی (GWR) در بررسی روابط بین متغیرهای فضایی در یک پهنه شهری، نمونه موردی: - - منطقه 7 شهرداری تهران»؛ فصلنامه آرمانشهر، شماره 4، بهار و تابستان.
-       عسگری، علی؛ اکبری، نعمت ا...(1380)؛ «روش شناسی اقتصاد سنجی فضایی، تئوری و کاربرد»؛ مجله پژوهشی دانشگاه اصفهان؛ جلد دوازدهم، شماره 1 و 2.
-       قلی زاده، علی اکبر؛ بهبودی، داود؛ شکریان، احسان (1389)؛ «مقایسه­ی مدل قیمت هدانیک سنتی و مدل قیمت هدانیک رید در برآورد تابع قیمت هدانیک مسکن (مطالعه موردی مناطق شهری استان همدان)»؛ فصلنامه اقتصاد مقداری، شماره 2.
-       کسرایی، اسرافیل (1385)؛ «نظریه همگرایی، وابستگی فضایی و رشد منطقه­ای (شواهدی از کشورهای عضو سازمان کنفرانس اسلامی به منظور کاربرد)»؛ مجله تحقیقات اقتصادی؛ شماره 77، بهمن و اسفند.
-       گجراتی، دامودار (1995)؛ «مبانی اقتصاد سنجی»، ترجمه حمید ابریشمی (1385)، جلد اول، انتشارات دانشگاه تهران، چاپ پنجم.
-       محمدزاده، پرویز، منصوری، سعید و کوهی لیلان، بابک (1391)؛ «تخمین قیمت هدانیک ساختمانهای مسکونی در شهر تبریز: با رویکرد اقتصادسنجی فضایی»؛ فصلنامه مدلسازی اقتصادی، سال ششم، شماره 2؛ 21-38.  
-       مرکز آمار ایران ، آمار و اطلاعات آماری سال 1388، www.sci.org.ir
-       موذن جمشیدی، سیده هما؛ مقیمی، مریم؛ اکبری، نعمت الله (1390)؛ «تحلیل تاثیر اندازه دولت بر توسعه­ی انسانی در کشورهای OIC (رهیافت رگرسیون وزنی جغرافیایی (GWR) )»؛ مطالعات و پژوهش­های   شهری و منطقه ای، شماره 8.
-       Azevedo, J.V (2011). "Econometrics The Multiple Regression Model: Estimation"; Universidade Nova de Lisboa.
-       Brunsdon, C; Fotheringham, A.S; Charlton, M.E (1996). "Geographically Weighted Regression: A Method for Exploring Spatial Nonstationarity"; Geographical Analysis; Vol 28, Issue 4; P 281-298.
-       Florax, R.J.G.M; Van Der Vlist, A.J (2003). "Spatial Econometric Data Analysis: Moving Beyond Traditional Models"; International Regional Science Review; N 26, 3: 223-243, July.
-       Fotheringham, A.S; Brunsdon, C; Charlton, M.E (2002). "Geographically Weighted Regression the analysis of spatially varying relationships"; JOHN WILEY & SONS.
-       Gao, Jiangbo; Li, Shuangcheng (2011); "Detecting spatially non-stationary and scale-dependent relationships between urban landscape fragmentation and related factors using Geographically Weighted Regression"; Applied Geography, N 31.
-       Grubesic, Tony H; Mack, Elizabeth A; Kaylen, Maria T (2012); "Comparative modeling approaches for understanding urban violence"; Social Science Research, N 41.
-       Han, E (2011). "Econometrics Honor’s Exam Review Session"; Harvard University
-       Liao, Wen-Chi; Wang, Xizhu (2012); "Hedonic house prices and spatial quantile regression"; Housing Economics, N 21.
-       Pohlmann, J.T; Leitner, D.W (2003). "A Comparison of Ordinary least Squares and Logistic Regression"; Ohio Journal of Science.
-       Robinson, D.P. , Lioyd, C.D. and Mckinley, J.M. (2013), "Increasing the accuracy of nitrogen dioxide (NO2) pollution mapping using geographically weighted regression (GWR) and geostatistics", International Journal of Applied Earth Observation and Geoinformation, Vol.21: 374-383
-       Tu, J. and Zong, G.X. (2008), "Examining spatially varying relationships between land use and water quality using geographically weighted regression I: Model design and evaluation", Science of The Total Environment, Vol.407:358-378.
-       Zhang, Honglei; Zhang, Jie ; Lu, Shaojing; Cheng, Shaowen; Zhang, Jinhe (2011);"Modeling hotel room price with geographically weighted regression"; Hospitality Management; N 30.