[논문 리뷰] GWmodel: an R Package for Exploring Spatial Heterogeneity using Geographically Weighted Models

Isabella Gollini, Binbin Lu외 3명|arXiv (Cornell University)|2013. 06. 03.

Spatial and Panel Data Analysis참고 문헌 45인용 수 115

한 줄 요약

이 논문은 지리적으로 가중된 회귀(GWR) 모델을 사용하여 회귀 계수의 공간 이질성을 탐색하기 위한 GWmodel R 패키지를 소개한다. 지역 조건 수치(LCN) 진단을 제안하여 국소 회귀 모델에서 다중공선성 문제를 탐지하며, 영국 투표율 사례 연구를 통해 지역 조건 수치가 32.88에서 107.50 사이로 변동함을 보여주며, 다중공선성으로 인한 광범위한 불안정성을 시사하고, 지역 리지 회귀를 통해 추정치를 안정화할 것을 제안한다.

ABSTRACT

Spatial statistics is a growing discipline providing important analytical techniques in a wide range of disciplines in the natural and social sciences. In the R package GWmodel, we introduce techniques from a particular branch of spatial statistics, termed geographically weighted (GW) models. GW models suit situations when data are not described well by some global model, but where there are spatial regions where a suitably localised calibration provides a better description. The approach uses a moving window weighting technique, where localised models are found at target locations. Outputs are mapped to provide a useful exploratory tool into the nature of the data spatial heterogeneity. GWmodel includes: GW summary statistics, GW principal components analysis, GW regression, GW regression with a local ridge compensation, and GW regression for prediction; some of which are provided in basic and robust forms.

연구 동기 및 목표

• 연구자들이 지리적으로 가중된 모델을 사용하여 회귀 관계의 공간 이질성을 탐색할 수 있도록 하는 R 패키지 GWmodel을 개발하는 것.
• 국소 회귀 모델에서 다중공선성 문제로 인해 계수 추정치가 불안정하고 신뢰할 수 없게 될 수 있는 문제를 다루는 것.
• 각 공간 위치에서 다중공선성의 심각도를 평가하기 위해 지역 조건 수치(LCN) 진단을 구현하고 검증하는 것.
• 표준 GWR와 지역 리지 회귀(LCR) 방법을 비교하여 국소 다중공선성이 존재할 경우 추정치의 안정성을 향상시키는 것.
• 밴드위드 선택, 모델 비교, 공간 영역 전역의 지역 조건 수치 시각화를 위한 실용적 도구를 제공하는 것.

제안 방법

• GWmodel 패키지는 이원형 및 고정 밴드위드를 사용하여 다양한 커널 함수(예: 바이스쿼어 및 박스카)를 포함한 지리적으로 가중된 회귀(GWR)를 구현한다.
• 지역 조건 수치(LCN)는 국소 가중 설계 행렬의 특이값 분해를 통해 각 위치에서 계산되며, 계수 추정치가 데이터 변동에 얼마나 민감한지를 측정한다.
• 함수 `gwr.lcr`는 LCN이 임계값을 초과할 경우 국소 리지 회귀를 적용하여 계수 추정치를 안정화시키며, 다중공선성의 영향을 감소시킨다.
• 밴드위드 선택은 교차검증(CV) 또는 AICc를 통해 수행되며, `bw.gwr.lcr`는 LCR 프레임워크 하에서 밴드위드를 최적화하는 데 사용된다.
• 진단 도구로는 `gwr.collin.diagno`와 `summary(lcrm2$SDF$Local_CN)`를 사용하여 지역 조건 수치를 추출하고 분석한다.
• 공간적 시각화는 `spplot`을 통해 가능하며, 색상 그라디언트를 사용하여 다중공선성 위험이 높은 지역을 식별한다.

실험 결과

연구 질문

• RQ1 R에서 지리적으로 가중된 회귀를 효과적으로 구현하여 회귀 계수의 공간적으로 변화하는 관계를 모델링할 수 있는가?
• RQ2 다중공선성은 GWR의 국소 회귀 계수 추정치에 얼마나 큰 영향을 미치며, 이를 공간적으로 어떻게 정량화할 수 있는가?
• RQ3 국소 리지 회귀(LCR)는 높은 국소 조건 수치를 가진 영역에서 GWR 추정치의 안정성을 향상시킬 수 있는가?
• RQ4 공간적으로 다중공선성 위험이 가장 심각한 영역은 어디이며, 어떤 변수가 이 불안정성에 가장 큰 기여를 하는가?
• RQ5 다른 밴드위드 선택 방법(CV 대 AICc)은 LCR-GWR 모델의 맥락에서 어떻게 비교될 수 있는가?

주요 결과

• 전체 모델의 전역 조건 수치는 41.07로, 전역 수준에서 다중공선성이 심각한 것으로 나타났다.
• 기본 GWR 모델에서의 국소 조건 수치는 32.88에서 107.50 사이로 변동하며, 평균은 59.28로 전 지역에서 광범위한 불안정성이 존재함을 보여준다.
• 가장 높은 국소 조건 수치(107.50)는 극도로 높은 다중공선성이 있는 지역에서 발생하여 데이터 변동에 매우 민감한 것으로 나타났다.
• 'DiffAdd'와 'Age25_44' 변수를 제거하면 전역 조건 수치가 18.69로 감소하여, 이 변수들이 다중공선성의 주요 기여 요소임을 시사한다.
• 국소 조건 수치 지도는 높은 불안정성이 공간적으로 군집되어 있음을 보여주며, 가장 심각한 문제들은 특정 도시나 전이 지역에 집중되어 있다.
• 국소 리지 회귀(LCR)의 적용은 높은 LCN을 가진 영역에서 계수 추정치를 안정화시키는 실질적인 해결책임을 입증하였으며, 모델 신뢰도를 향상시켰다.