Autocorrelação espacial - Prática no GEODA

157 visualizações

Publicada em

Aula de Métodos e Técnicas de Análise da Informação para Planejamento, UFABC, Jullho de 2016
Apresentação disponível em: https://youtu.be/-ZVTxB_0s6M

Publicada em: Educação
0 comentários
1 gostou
Estatísticas
Notas
  • Seja o primeiro a comentar

Sem downloads
Visualizações
Visualizações totais
157
No SlideShare
0
A partir de incorporações
0
Número de incorporações
2
Ações
Compartilhamentos
0
Downloads
16
Comentários
0
Gostaram
1
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Autocorrelação espacial - Prática no GEODA

  1. 1. Prática no GeoDa: Análise Exploratória de Dados e Autocorrelação Espacial Vitor Vieira Vasconcelos BH1350 – Métodos e Técnicas de Análise da Informação para o Planejamento Julho de 2016
  2. 2. GEODA
  3. 3. Disponível em: http://la1.rcc.uchicago.edu/m edia/geoda_files/docs/geoda workbook.pdf
  4. 4. Criando um Projeto (1) File > New Project (2) Selecione o arquivo “Municipios_AGUA_2010_WGS84.shp”
  5. 5. PARTE I Análise Exploratória de Dados
  6. 6. Opções disponíveis ao clicar com o botão direito sobre a área do mapa
  7. 7. Renda Per Capita – Desvio Padrão Outro Caminho: Map > Standard Deviation Map
  8. 8. Renda Per Capita – Quantil Outro Caminho: Map > Quantile Map
  9. 9. Renda Per Capita – Cartograma
  10. 10. Análise Exploratória HISTOGRAMA BOX PLOT
  11. 11. Ligação entre gráfico e mapa
  12. 12. Ligação entre gráfico e mapa
  13. 13. PREPARAÇÃO DADOS 1o passo: Preparar os Dados Selecionar observações (feições) de interesse Valores discrepantes (outliers)? Transformação nos Dados?
  14. 14. SELECIONAR DADOS Como selecionar apenas as observações de interesse? Por exemplo, como excluir as feições sem dados (municípios sem informação sobre o consumo de água)? Abrir tabela do arquivo
  15. 15. SELECIONAR DADOS • Clicar com o botão direito sobre a tabela e selecionar “Selection Tool” • Selecionar valores até zero (ou seja, excluir “missing values”) • “Invert selection”
  16. 16. SELECIONAR DADOS • Exportar apenas feições selecionadas: • File > Save Selected as… • File> Close Project… Open Project…
  17. 17. INCLUI APENAS MUNICÍPIOS COM DADOS DE CONSUMO DE ÁGUA
  18. 18. CALCULAR VARIÁVEL Table> Variable Calculation UNIVARIATE
  19. 19. CALCULAR VARIÁVEL Table> Variable Calculation BIVARIATE
  20. 20. DIAGRAMA DE DISPERSÃO 1. Explore > Scatter Plot 2. Selecionar Variável Independente e Dependente
  21. 21. DIAGRAMA DE DISPERSÃO 1. Clique com o botão direito sobre o diagrama e explore as funcionalidades 2. Experimente selecionar algumas observações a partir do gráfico (ou do mapa, ou da tabela)
  22. 22. SELEÇÃO DE FEIÇÕES Experimente criar um retângulo de seleção no mapa ou no gráfico e apertando a tecla “Control” (ou “Command” no Mac)
  23. 23. PARTE II AUTOCORRELAÇÃO ESPACIAL
  24. 24. VIZINHANÇA: PESOS ESPACIAIS TOOLS > WEIGHTS MANAGER CREATE
  25. 25. VIZINHANÇA: PESOS ESPACIAIS
  26. 26. VIZINHANÇA: PESOS ESPACIAIS TOOLS > WEIGHTS MANAGER> CONNECTIVITY HISTOGRAM
  27. 27. ÍNDICE GLOBAL DE MORAN  SPACE > UNIVARIATE MORAN's I  Selecionar variável – “CONSUMO”  Weights-> vizinhança QUEEN I = 0,59
  28. 28. ÍNDICE GLOBAL DE MORAN Ligação entre gráfico de dispersão de Moran e Mapa Q1: Alto-Alto Localizações com autocorrelação positiva: Alto consumo, com vizinhos que também apresentam alto consumo
  29. 29. ÍNDICE GLOBAL DE MORAN Ligação entre gráfico de dispersão de Moran e Mapa Q2: Baixo-Baixo Localizações com autocorrelação positiva: baixo consumo, com vizinhos que também apresentam baixo consumo
  30. 30. ÍNDICE GLOBAL DE MORAN Ligação entre gráfico de dispersão de Moran e Mapa Q3: Alto-Baixo Localizações de “transição”, com autocorrelação negativa. Ou seja, possuem vizinhos com valores distintos Q4: Baixo-Alto
  31. 31. TESTE DE PSEUDO-SIGNIFICÂNCIA O Índice Global de Moran = 0,59 é um valor significativo? Importante fazer o teste de pseudo-significância!!!! Botão direito sobre o gráfico Randomization> n Permutations
  32. 32. TESTE DE PSEUDO-SIGNIFICÂNCIA Distribuição construída a partir do Índice computado sobre as permutações aleatórias Valor Observado (I=0,5931) Como o valor observado está na extremidade (p-valor < 0,001), rejeitamos a hipóse nula de que não há autocorrelação espacial
  33. 33. ÍNDICE GLOBAL DE MORAN Botão direito sobre o Gráfico de Dispersão > Save Results
  34. 34. ÍNDICE GLOBAL DE MORAN
  35. 35. ÍNDICE LOCAL DE MORAN  SPACE > UNIVARIATE LOCAL MORAN's I  Selecionar variável –> “CONSUMO”  What windows to open? -> Selecionar todas
  36. 36. ÍNDICE LOCAL DE MORAN: CLUSTER MAP CLUSTER DE BAIXO CONSUMO CLUSTER DE ALTO CONSUMO Apenas valores com significância maior que 95% são apresentados
  37. 37. ÍNDICE LOCAL DE MORAN: CLUSTER MAP MAPA DE SIGNIFICÂNCIA
  38. 38. ÍNDICE LOCAL DE MORAN Para Salvar Resultados na Tabela: Botão direito sobre Mapas resultantes > Save Results
  39. 39. ÍNDICE LOCAL DE MORAN
  40. 40. CORRELOGRAMA Space-> Non parametric spatial correlation
  41. 41. CORRELOGRAMA
  42. 42. CORRELOGRAMA
  43. 43. Atividade 5 Entrega no Tidia (no formato pdf) Com os dados do seu trabalho final, conduza experimentos utilizando as técnicas apresentadas na aula prática: Análise Exploratória (Mapas e Gráficos) e Medidas de Autocorrelação Espacial Interprete cada uma delas, explique o que cada um dos índices e gráficos apresentados significa (utilize o conteúdo das aulas teóricas como referência).

×