Cerca punts calents
L'eina Cerca punts calents determinarà si hi ha cap clusterització estadísticament significativa al patró espacial de les vostres dades.
- Els vostres punts (delictes, arbres, accidents de trànsit) estan realment clusteritzats? Com en podeu estar segur?
- Heu descobert realment un punt calent estadísticament significatiu (de despesa, mortalitat infantil, notes d'examen sistemàticament altes) o el mapa explicaria una història diferent si en canviéssiu els símbols?
Fins i tot els patrons espacials aleatoris presenten un cert grau de clusterització. A més, la nostra vista i el nostre cervell intenten, de forma natural, trobar patrons fins i tot quan no n'hi ha. Per tant, pot ser difícil saber si els patrons de les dades són el resultat de processos espacials reals en acció o d'una simple possibilitat aleatòria. És per això que els investigadors i analistes utilitzen mètodes estadístics com ara Cerca punts calents (Getis-Ord Gi*) per quantificar els patrons espacials. Si trobeu una clusterització estadísticament significativa a les vostres dades, teniu informació valuosa. Saber on i quan es produeix la clusterització pot proporcionar indicis importants sobre els processos que produeixen els patrons que veieu. Saber que els robatoris residencials, per exemple, són sistemàticament més freqüents en determinats barris és una informació vital si s'han de dissenyar estratègies de prevenció eficaces, assignar recursos policials limitats, iniciar programes de vigilància veïnal, autoritzar investigacions criminals en profunditat o identificar sospitosos potencials.
Trieu la capa de la qual es calcularan els punts calents
Capa de punts o d'àrees on es cercaran punts calents i freds.
Cerca clústers de concentracions altes i baixes de punts
Aquesta anàlisi respon la pregunta: on es clusteritzen espacialment els valors alts i baixos?
Si les vostres dades són punts i trieu Recomptes de punts, aquesta eina avaluarà la distribució espacial de les entitats de punts per respondre la pregunta: on es clusteritzen o es dispersen inesperadament els punts?
Si trieu un camp, aquesta eina avaluarà la distribució espacial dels valors associats amb cada entitat per respondre la pregunta: on es clusteritzen els valors alts i baixos?
Compta els punts dins de
El valor per defecte és comptar punts dins d'una malla que ha creat l'eina en funció de les dades de punts. Si ho preferiu, podeu comptar els punts en una quadrícula hexagonal o proporcionar una capa d'àrees (que normalment representen els districtes d'informes administratius, com ara districtes censals, límits municipals o comtats) per respondre la pregunta: atès el nombre de punts que s'han comptat dins de cada entitat d'àrees, existeixen ubicacions amb clusterització espacial estadísticament significativa de recomptes de punts alts o baixos?
Defineix la ubicació possible de punts
Dibuixeu o proporcioneu una capa que defineixi on es poden produir els incidents a fi de respondre la pregunta: dins de les àrees, hi ha alguna ubicació amb concentracions de punts inesperadament altes o baixes?
Les entitats d'àrees que dibuixeu o les entitats de la capa d'àrees que especifiqueu haurien de definir on es podrien trobar els punts. Per dibuixar aquestes àrees, feu clic al botó Dibuixa i a una ubicació del mapa per crear una forma d'àrea. Per dibuixar àrees addicionals, torneu a feu clic al botó Dibuixa i a una ubicació del mapa per continuar.
Divideix per
De vegades, és possible que vulgueu analitzar patrons que tinguin en compte les distribucions subjacents. Per exemple, si els punts representen delictes, amb la divisió per la població total s'obtindria una anàlisi dels delictes per càpita en lloc d'un recompte de delictes sense processar. El procés de selecció d'un atribut de divisió se sol denominar normalització.
Si trieu Esri Population, s'enriquirà cada entitat d'àrees amb valors de població, que es faran servir posteriorment com a atribut de divisió. Aquesta opció farà servir crèdits.
Opcions d'invalidació
L'eina cercarà la configuració òptima per a les opcions per defecte Mida de la cel·la i Banda de distància en funció de les característiques de les dades. No obstant això, si hi ha uns valors determinats de Mida de la cel·la o Banda de distància que són més adequats per a la vostra anàlisi, podeu utilitzar les Opcions de substitució per definir-los.
Les Opcions de substitució també són útils quan s'executen anàlisis en conjunts de dades diferents, ja que us permeten mantenir la Banda de distància i la Mida de la cel·la coherents en diversos conjunts de dades. Després podreu comparar els resultats adequadament, per exemple, els índexs d'obesitat i diabetis o fins i tot les taxes delictives de dos anys diferents.
Mida de la cel·la
Mida de les cel·les de quadrícula que s'utilitza per comptar els punts de dins.
Quan es fa servir una quadrícula hexagonal per comptar els punts de dins, s'utilitza la distància com a altura dels hexàgons.
Banda de distància
Cada entitat s'analitza dins del context de les entitats veïnes ubicades dins de la distància que especifiqueu. L'eina calcularà una distància predeterminada automàticament, o bé podeu utilitzar aquesta opció per definir una distància concreta que sigui adequada per a la vostra anàlisi.
Per exemple, si esteu estudiant patrons de desplaçaments a la feina i sabeu que la distància mitjana a la feina és de 15 milles, potser voldreu utilitzar una banda de distància de 15 milles per a l'anàlisi.
Nom de la capa de resultats
Proporcioneu un nom per a la capa que es crearà a El meu contingut i s'afegirà al mapa. Aquesta capa de resultats us mostrarà els clústers estadísticament significatius de recomptes de punts o valors alts i baixos. Si el nom de la capa de resultats ja existeix, se us demanarà que en canvieu el nom.
Mitjançant el quadre desplegable Desa el resultat a, podeu especificar el nom d'una carpeta d' El meu contingut on es desarà el resultat.