pysal.model.mgwr.gwr.MGWR¶

class pysal.model.mgwr.gwr.MGWR(coords, y, X, selector, sigma2_v1=True, kernel='bisquare', fixed=False, constant=True, dmat=None, sorted_dmat=None, spherical=False)[源代码]¶

多尺度GWR估计与推理。

参数:

坐标 : 类数组 n*2，收集n组（x，y）观测坐标；同时用作校准位置的是“点”设置为“无”。 y : 数组 n*1，因变量 X : 数组 n*k，自变量，取常数 selector : 塞尔BW对象 已成功调用“search”方法的有效sel_bw对象。这个参数传递来自gam模型估计的信息，包括最佳带宽。 family : 家庭对象 潜在概率模型；提供特定于分布的计算 sigma2_v1 : 布尔 指定用于模型诊断的Sigma平方修正分母的形式；可接受的选项包括： 'true'：n-tr（s）（defualt）'false'：n-2（tr（s）+tr（s）） kernel : 一串 用于加权观测值的核函数类型；可用选项：“高斯”双夸尔“指数” fixed : 布尔 基于距离的核函数为真，自适应（最近邻）核函数为假（默认） constant : 布尔 在模型中包含截获（默认值）为true，排除截获为false。 dmat : 数组 n*n，用于计算重量矩阵的校准位置之间的距离矩阵。默认为无，主要是为了在带宽选择期间避免重复计算。 sorted_dmat : 数组 n*n，用于计算重量矩阵的校准位置之间的排序距离矩阵。默认为无，主要是为了在带宽选择期间避免重复计算。 spherical : 布尔 周坐标（长lat）为真，投影坐标（defalut）为假。

实例

#基本模型校准

>>> import pysal.lib as ps
>>> from mgwr.gwr import MGWR
>>> from mgwr.sel_bw import Sel_BW
>>> data = ps.io.open(ps.examples.get_path('GData_utm.csv'))
>>> coords = list(zip(data.by_col('X'), data.by_col('Y')))
>>> y = np.array(data.by_col('PctBach')).reshape((-1,1))
>>> rural = np.array(data.by_col('PctRural')).reshape((-1,1))
>>> fb = np.array(data.by_col('PctFB')).reshape((-1,1))
>>> african_amer = np.array(data.by_col('PctBlack')).reshape((-1,1))
>>> X = np.hstack([fb, african_amer, rural])
>>> X = (X - X.mean(axis=0)) / X.std(axis=0)
>>> y = (y - y.mean(axis=0)) / y.std(axis=0)
>>> selector = Sel_BW(coords, y, X, multi=True)
>>> selector.search(multi_bw_min=[2])
[92.0, 101.0, 136.0, 158.0]
>>> model = MGWR(coords, y, X, selector, fixed=False, kernel='bisquare', sigma2_v1=True)
>>> results = model.fit()
>>> print(results.params.shape)
(159, 4)

属性:

坐标 : 类数组 n*2，收集n组（x，y）观测坐标；同时用作校准位置的是“点”设置为“无”。 y : 数组 n*1，因变量 X : 数组 n*k，自变量，取常数 selector : 塞尔BW对象 已成功调用“search”方法的有效sel_bw对象。这个参数传递来自gam模型估计的信息，包括最佳带宽。 bw : 类数组 带宽值的集合，由一个距离或n个最近的邻居组成；用户使用sel_bw指定或获得，fb=true。值的顺序应与与x关联的列的顺序相同 family : 家庭对象 潜在概率模型；提供特定于分布的计算 sigma2_v1 : 布尔 指定用于模型诊断的Sigma平方修正分母的形式；可接受的选项包括： 'true'：n-tr（s）（defualt）'false'：n-2（tr（s）+tr（s）） kernel : 一串 用于加权观测值的核函数类型；可用选项：“高斯”双夸尔“指数” fixed : 布尔 基于距离的核函数为真，自适应（最近邻）核函数为假（默认） constant : 布尔 在模型中包含截获（默认值）为true，排除截获为false。 dmat : 数组 n*n，用于计算重量矩阵的校准位置之间的距离矩阵。默认为无，主要是为了在带宽选择期间避免重复计算。 sorted_dmat : 数组 n*n，用于计算重量矩阵的校准位置之间的排序距离矩阵。默认为无，主要是为了在带宽选择期间避免重复计算。 spherical : 布尔 周坐标（长lat）为真，投影坐标（defalut）为假。 n : 整数 观测次数 k : 整数 自变量数 mean_y : 浮动 Y均值 std_y : 浮动 y的标准差 fit_params : 双关语 传递给fit方法定义估计例程的参数 W : 类数组 n*n数组列表，用于加权每个校准点的所有观测值的空间权重矩阵：每个协变量一个（k）

方法

fit （）	方法从sel_BW（selector）对象中提取信息，并为mgwrresults对象准备GAM估计结果。
predict （）	未实现。

df_model
df_resid

__init__(coords, y, X, selector, sigma2_v1=True, kernel='bisquare', fixed=False, constant=True, dmat=None, sorted_dmat=None, spherical=False)[源代码]¶

初始化类

方法

__init__ \（坐标，Y，X，选择器[，…]）	初始化类
df_model （）
df_resid （）
fit （）	方法从sel_BW（selector）对象中提取信息，并为mgwrresults对象准备GAM估计结果。
predict （）	未实现。

属性

mean_y
std_y