Multiscale Geographically Weighted Regression

La régression géographiquement pondérée multi-échelle (MGWR) est une méthode importante utilisée dans de nombreuses disciplines pour explorer l'hétérogénéité spatiale et modéliser les processus spatiaux locaux. Cet ouvrage présente les concepts fondamentaux de la modélisation spatiale locale et explique comment modéliser des processus spatiaux hétérogènes dans un cadre de régression. Il aborde d'abord les idées et les principes de base de la modélisation spatiale locale, puis examine en détail les questions d'échelle et l'inférence statistique liées à la MGWR. Un guide complet des logiciels gratuits et conviviaux pour la MGWR est fourni, ainsi qu'un exemple d'application de la MGWR à la compréhension du comportement électoral lors de l'élection présidentielle américaine de 2020. « Régression géographiquement pondérée multi-échelle : Théorie et pratique » est le guide de référence pour la modélisation par régression locale et l'analyse des processus spatialement variables ; une ressource pratique, innovante et à la pointe de la technologie. Caractéristiques Offre un équilibre entre l'introduction conceptuelle et technique aux modèles locaux. Explique une technique d'analyse spatiale de pointe pour la modélisation de régression multi-échelle. Décrit les meilleures pratiques et propose une présentation détaillée des logiciels disponibles gratuitement, à travers des exemples et des comparaisons avec d'autres techniques courantes de modélisation de données spatiales. Inclut une étude de cas détaillée pour illustrer les méthodes et les logiciels. Adopte une approche novatrice et stimulante de la modélisation spatiale locale grâce à MGWR, une innovation par rapport à la méthode de référence précédente, GWR. Ce livre est idéal pour les étudiants de licence et de master en analyse spatiale avancée et en SIG, dans toutes les disciplines des sciences spatiales, ainsi que pour les chercheurs, les universitaires et les professionnels souhaitant comprendre comment la localisation peut influencer le comportement humain grâce à la modélisation de régression locale. . Langue : Anglais