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
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.
)