Allgemeines
Geographen und andere Wissenschaftler suchen nach geografischen Mustern, in der Hoffnung, dass dies ihnen hilft, die Prozesse, die diese Muster hervorgebracht haben, besser zu verstehen. Wie Sie gezeigt haben, beginnt dieser Prozess mit der Kartierung der Orte, an denen sich die Phänomene befinden. Solche Karten, wie Sie sie oben erstellt haben, werden häufig als Punktmusterkarten bezeichnet .
Räumliche Aufteilung
Wenn ein Leser eine solche Karte untersucht, versucht er, die räumliche Verteilung (oder die räumliche oder geografische Anordnung) der interessierenden Variablen zu ermitteln und festzustellen, ob es irgendeine Art von Muster gibt. Normalerweise gibt es vier Verteilungstypen, die für die Punktmusterkarte definiert sind (die Sie auch oben gezeichnet haben). Diese sind:
- gruppiert
- normal
- zufällig
- regelmäßig / uniform / verteilt
Aus Wikipedia :
Neben der visuellen Untersuchung muss häufig die Analyse der Häufigkeit oder Dichte von Punkten in einer Region (mithilfe der Quadratanalyse ) oder des Abstands zwischen benachbarten Punkten (mithilfe der Analyse des nächsten Nachbarn ) verwendet werden.
Problem mit änderbaren Einheiten
Sie haben auch das Problem mit modifizierbaren Flächeneinheiten (auch als Problem mit modifizierbaren Einheiten bezeichnet ) erwähnt.
Bei der räumlichen Analyse stören vier Hauptprobleme eine genaue Schätzung des statistischen Parameters: das Randproblem, das Skalenproblem, das Musterproblem (oder die räumliche Autokorrelation) und das Problem mit modifizierbaren Flächeneinheiten (Barber 1988).
Ich denke, dass es in diesem Beispiel relevant ist, aber ich möchte auch einige andere Probleme erwähnen:
Grenzproblem
Ein Grenzproblem bei der Analyse ist ein Phänomen, bei dem geografische Muster durch die Form und Anordnung von Grenzen unterschieden werden, die zu Verwaltungs- oder Messzwecken gezogen werden.
Ein einfaches Beispiel: Wenn Ihre Punkte eine Anzahl von Personen einer bestimmten ethnischen Gruppe repräsentieren, können Sie in Abhängigkeit von den verwendeten Grenzen eine andere Sicht auf die Verteilung der Punkte z. B. auf Zensusbezirke erhalten.
Wenn die Punkte nahe beieinander liegen, sich jedoch in verschiedenen Zensusbezirken befinden, können Sie ein falsches Verständnis der Verteilung erhalten, da dies eine gleichmäßige Verteilung der ethnischen Gruppe in diesem Untersuchungsgebiet anzeigen würde. Wenn Sie dagegen andere Grenzen verwenden, erhalten Sie möglicherweise eine andere Ansicht, die auf eine signifikante Konzentration der ethischen Gruppe hinweist. Am Ende könnten Sie verwirrt sein, ob Sie ethnische Segregation oder ethnische Integration beobachten.
Problem mit änderbaren Einheiten
Dies kann in zwei Aspekten diskutiert werden - in Bezug auf die "Skala" und die "Form".
Skalierungsproblem
Die Werte für verschiedene deskriptive Statistiken können systematisch variieren, wenn Sie immer mehr aggregierte Flächendaten verwenden.
Ein einfaches Beispiel: Jede Zelle ist unsere Polygonfläche mit der Anzahl der Punkte.
6 10 3
5
2
6
4
12
3
5
8
12
4
12
1
3
Dann aggregieren wir die Polygone, um eine durchschnittliche Punktzahl zu erhalten:
8 4
4
8
4
10
8
2
Und noch einmal:
6
6
6
6
Hey, wir haben eine gleichmäßige Verteilung! Mit einem Wort: Durch räumliche Aggregation wird in der Regel die auf einer Karte angezeigte Abweichung minimiert.
Für ein anderes wirklich einfaches Beispiel hängt es wirklich davon ab, in welchem Maßstab Sie Ihre Punkte betrachten. Schauen Sie sich das Wikipedia-Bild für Punktmuster an. Die Normalverteilung sieht beim Verkleinern der digitalen Karte möglicherweise wie ein Cluster aus.
Formproblem
Wir hätten die Polygone in der obigen Tabelle vertikal oder horizontal zusammenfassen können (indem wir statt Ost-West-Nachbarn zusammenhängende Nord-Süd-Beziehungen eingehen). Dies bedeutet, dass verschiedene Flächendefinitionen erhebliche Auswirkungen auf die Werte Ihrer Datenverteilung und deskriptiven Statistiken haben können.
Das Musterproblem
Kurz gesagt, die oben genannten Methoden können die Art des Problems, das ein Mensch auf einer Karte leicht lesen würde, nicht sehr gut bewerten. Um zwischen den Flächenmustern und Punktverteilungen unterscheiden zu können, müsste man die räumlichen Autokorrelationsmethoden verwenden.
