SlideShare uma empresa Scribd logo
1 de 49
Baixar para ler offline
REGRESSÃO ESPACIAL
Vitor Vieira Vasconcelos
BH1350 – Métodos e Técnicas de Análise da Informação para o Planejamento
Agosto de 2016
Análise de regressão é uma ferramenta estatística
que utiliza a relação entre duas ou mais variáveis tal
que uma variável possa ser explicada (Y  variável
resposta/ saída/dependente) pela outra ou outras (X
 variáveis indicadoras/ preditoras/ explicativas/
independentes).
Y = aX + b
NETER J. et al. Applied Linear Statistical Models. Boston, MA: McGraw-Hill, 1996.
ANÁLISE DE REGRESSÃO
1. Seleção e Preparação das Variáveis
2. Escolha e Ajuste do Modelo de Regressão
3. Diagnóstico para verificar se o modelo ajustado é
adequado
 Ajuste do modelo (R2, Teste F, Testes t para coef., etc.)
 Multicolinearidade (FIV)
 Análise dos Resíduos
Etapas da Análise de Regressão
Se modelo for adequado, resíduos devem refletir as
propriedades impostas pelo termo de erro do modelo.
LINEARIDADE DO MODELO
Análise dos Resíduos
Não Linearidade
0
X
Resíduo
NORMALIDADE DOS RESÍDUOS: Suposição essencial para
que os resultados do ajuste do modelo sejam confiáveis.
Análise dos Resíduos
Outros diagnósticos: Shapiro-Wilk, Anderson-Darling,
Kolmogorov-Smirnov
HOMOCEDASTICIDADE (Variância Constante)
Análise dos Resíduos
Outros diagnósticos: Teste de Breush-Pagan, Goldfeld-Quandt
0
X
Variância Não Constante
Resíduo
PRESENÇA DE OUTLIERS
Gráfico resíduos padronizados vs. Valores Ajustados
Análise dos Resíduos
Pontos Influentes: DFFITS, DFBETA, Distância de Cook.
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
150 155 160 165 170 175 180 185
X
ResíduosPadronizados
INDEPENDÊNCIA
Gráfico resíduos padronizados vs. Valores Ajustados
Análise dos Resíduos
Outros Diagnósticos: Teste de Durbin-Watson
Autocorrelação espacial: Mapa dos resíduos, Índice de Moran
X
0
Erros Correlacionados
Resíduo
MODELO ADEQUADO
Análise dos Resíduos
0
Resíduo
X
DADOS ESPACIAIS
Caso a hipótese de independência espacial das
observações seja FALSA  DEPENDÊNCIA ESPACIAL
EFEITOS ESPACIAIS: Se existir forte tendência ou
correlação espacial, os resultados serão
influenciados, apresentando associação estatística
onde não existe (e vice-versa)
Análise dos Resíduos
Como verificar?
Medir a autocorrelação espacial dos resíduos da
regressão (ex. Índice de Moran dos resíduos)
Dica para o trabalho final do curso
• Exportar tabela com os resíduos do modelo de regressão (SPSS)
• Unir esta tabela com o shapefile original (“união” no QGIS) e
visualizar os resíduos (Mapa dos resíduos)
• Os resíduos estão espacialmente correlacionados? Calcular o Índice
de Moran dos resíduos no GeoDa (com teste de pseudo-
significância)
Análise dos Resíduos
São José dos Campos
Crescimento Populacional 91-00 X Densidade Populacional 91
1. Mapear os resíduos da
regressão – índícios de
correlação
2. Índice de Moran sobre
mapa de resíduos
I=0,45
3. Testes de pseudo-
significância indicam
autocorrelação
espacial significativa
Exemplo
 As observações não são independentes
espacialmente.
 Portanto... temos uma violação das nossas
premissas.
 Dependendo da natureza da dependência,
parâmetros estimados pelo método dos mínimos
quadrados será ineficiente ou inconsistente.
E agora?
Autocorrelação Espacial Constatada!!!
Incorpora a estrutura de dependência
espacial no modelo
PREMISSA:
 Assumimos que conhecemos a estrutura de dependência
espacial (ela não é estimada)
 Premissa forte? Sim!
 Porém não tão forte quanto assumir que todas as
observações são independentes espacialmente
 Matrizes de ponderação tipicamente consideradas:
contiguidade (rainha, torre... e em diferentes ordens de
contiguidade) ou distância (n vizinhos mais próximos...);
Regressão Espacial
Podem ser globais ou locais
Globais: inclui no modelo de regressão um parâmetro
para capturar a estrutura de autocorrelação
espacial na área de estudo como um todo.
Locais: parâmetros variam continuamente no espaço
Regressão Espacial
Global Local
Estatísticas dizem respeito à
região como um todo (1 valor)
Disagregações locais das
estatísticas globais (Muitos
valores)
Estatísticas globais e não
mapeáveis
Estatísticas locais e mapeáveis
Ênfase nas similaridades da região Ênfase nas diferenças ao longo do
espaço
Procura regularidades ou “leis” Procura por exceções ou “hot-
spots” locais
Ex.: Regressão Clássica, Spatial
Lag, Spatial Error
Ex.: GWR, Regimes Espaciais
Adaptado de: Fotheringham, A.S., Brunsdon, C., and Charlton, M.E., 2002, Geographically Weighted Regression: The
Analysis of Spatially Varying Relationships, Chichester: Wiley.
Global vs. Local
PREMISSA
É possível capturar a estrutura de correlação espacial num
único parâmetro (adicionado ao modelo de regressão).
Alternativas
Spatial Lag Models (SAR): atribuem a autocorrelação
espacial à variável resposta Y. (Spatial Autoregressive Modeling)
Spatial Error Models (CAR): atribuem a autocorrelação ao
erro. (Conditional Autoregressive Modeling)
Modelos com Efeitos Espaciais Globais
PREMISSA: A variável Yi é afetada pelos valores da
variável resposta nas áreas vizinhas a i.
Y = ρWY + Xβ + ε
ρ = coeficiente espacial autoregressivo - medida de correlação
espacial (ρ = 0, se autocorrelação é nula - hipótese nula)
W = matriz de proximidade espacial
WY expressa a dependência espacial em Y
Exemplo: Valor dos imóveis
Modelo Spatial Lag
Modelo Spatial Error
PREMISSA: As observações são interdependentes
graças a variáveis não mensuradas, e que são
espacialmente correlacionadas
Ou seja: efeitos espaciais são um ruído!
Por que ele ocorre? Porque não conseguimos modelar todas as
características de uma unidade geográfica que podem influenciar
as regiões vizinhas.
Assume que, se pudéssemos adicionar as variáveis certas para
remover o erro do modelo, o espaço não importaria mais.
MODELO:
Y = Xβ + ε
ε = ρWε + ξ
Wε = erro com efeitos espaciais
ρ = medida de correlação espacial
ξ = componente do erro com variância constante e não
correlacionada.
Modelo Spatial Error
DIAGNÓSTICO PARA AUXILIAR NA ESCOLHA
DE UM MODELO OU OUTRO
Testes Multiplicadores de Langrange
(Langrange Multiplier Tests, Anselin et al. 1996)
 Executa regressão dos resíduos em relação às variáveis
originais e aos resíduos das áreas vizinhas
 LM-Lag: testes para dependência em relação às variáveis
originais nas áreas vizinhas – lag dependence
 LM-Error: testes para dependência em relação aos resíduos
nas áreas vizinhas - error dependence
 Se ambos forem significativos, utilizar LM-Lag e LM-Error
robustos
Spatial Lag & Spatial Error
Regressão Espacial
Motivações diferentes, porém próximos
em termos formais.
Ambos partem do pressuposto de que
o processo espacial analisado é estacionário
e pode ser capturado em um único parâmetro.
Spatial Lag & Spatial Error
Porém isto nem sempre é verdade!
É importante verificar se padrões diversos de
associação espacial estão presentes.
Uma Solução Exploratória:
Indicadores Locais de Autocorrelação Espacial
Distribuição dos valores
de correlação local para
o índice de exclusão
Indicadores Locais de Associação
Espacial (LISA)
Não significantes
p = 0.05 [95% (1,96s)]
p = 0.01 [99% (2,54s)]
p = 0.001 [99,9% (3,2s)]
% Exclusão
Modelos de Regressão com Efeitos Espaciais DISCRETOS
Variações espaciais modeladas de maneira discreta.
 Regimes Espaciais
Modelos de Regressão com Efeitos Espaciais CONTÍNUOS
Variações espaciais modeladas de forma contínua, com
parâmetros variando no espaço.
 Geographically Weighted Regression – GWR.
[Regressão Geograficamente Ponderada]
Quantitative Geography; A. S. Fotheringham, C. Brunsdon, M. Charlton, 2000 (print 2004)
Modelos com Efeitos Espaciais Locais
A ideia é regionalizar a área de estudo obtendo sub-
regiões com seu padrão próprio.
Realizar regressões separadas para cada sub-região.
Regimes Espaciais
Regionalizações da área de estudo
Diferentes tipos de variabilidade
espacial
Métricas: Diagrama de
espalhamento e índices locais e
globais – regionalização tipo k-
medias espacial
Ex: Regimes espaciais para índice
de exclusão
Regimes Espaciais
1. Análise gráfica dos resíduos
2. Mapear os resíduos – concentração de resíduos
negativos ou positivos em parte do mapa indica
presença de autocorrelação espacial
3. Índice de Moran dos resíduos
4. Indicadores de qualidade de ajuste dos modelos
baseados no coeficiente de determinação (R2) serão
incorretos.
5. Utilização do AIC – critério de informação de Akaike, a
avaliação do ajuste é penalizada por função do
número de parâmetros (é preferível o modelo com o
menor valor AIC).
Diagnóstico de Modelos de Efeitos Espaciais
Longevidade X Renda em
São José dos Campos
Regressão
Simples
Spatial Lag Regimes
Espaciais
R2 ajustado 0.280 0.586 0.80
AIC 379.84 306.51 260.09
Índice de Moran dos
resíduos
0.620 0.01 0.02
Comparação das Regressões
Ajusta um modelo de regressão a cada ponto
observado, ponderando todas as demais
observações como função da distância a este ponto.
Y(i) = β(i)X + ε
Y(i): variável que representa o processo no ponto i.
β(i): parâmetros estimados no ponto i.
Quantitative Geography; A. S. Fotheringham, C. Brunsdon, M. Charlton, 2000 (print 2004)
GWR – Geographically Weighted Regression
y = b0 + b1x1 + e  regressão “clássica” simples com um preditor
b0 ,b1 são os mesmos para toda área
Se existe alguma variação geográfica na relação essa
variação fica incluída como erro.
GWR – Geographically Weighted Regression
y(i) = b0(i) + b1(i) x1 + e(i)  GWR
b0(i), b1(i)  para cada ponto i do espaço há um b0 e b1 diferentes
Existe uma função (kernel) sobre cada ponto do espaço
que determina todos os pontos da regressão local
que é ponderada pela distância. Pontos mais
próximos do ponto central tem maior peso.
Assim como no kernel – a escolha da largura da banda é
importante (pode ser fixa ou adaptável à densidade
dos dados)
GWR – Geographically Weighted Regression
GWR – Geographically Weighted Regression
Adaptado de: Fotheringham, A.S., Brunsdon, C., and Charlton, M.E., 2002, Geographically Weighted Regression: The
Analysis of Spatially Varying Relationships, Chichester: Wiley.
LARGURA DE BANDA
FUNÇÃO DE PONDERAÇÃO
GWR – Geographically Weighted Regression
Modelos Locais vs. Modelos Globais
 Mesmas técnicas de análise do ajuste do modelo,
porém comparação é problemática
 GWR apresentará sempre melhores ajustes pois
envolve o ajuste de muito mais parâmetros
 Sugestão: medida AICc, que leva em consideração a
complexidade do modelo e a quantidade de casos
amostrados.
Ajuste do Modelo GWR
Os parâmetros podem ser apresentados visualmente para
identificar como se comportam espacialmente os
relacionamentos entre as variáveis.
Ex: Crescimento Pop. (resposta) X Densidade Pop. (preditora)
GWR – Geographically Weighted Regression
Ex: Crescimento Pop. (resposta) X Densidade Pop. (preditora)
Mapa de resíduos (I = 0,04) :
GWR – Geographically Weighted Regression
Consumo de Água per Capita (resposta) X Renda per capita (preditora)
CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo
Urbano de Água no Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS.
Distribuição espacial de consumo residencial de água e renda da população em 2010.
Fonte: SNIS (2010) e IBGE (2010).
EXEMPLO
ConsumodeÁguaperCapita
(m3/dia/ano)
Renda per Capita (R$)
Análise Exploratória
Consumo de Água per Capita (resposta) X Renda per capita (preditora)
CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo Urbano de Água n
Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS.
MODELO DE REGRESSÃO LINEAR GLOBAL
Mas será que esta relação,
entre consumo de água e
renda, ocorre da mesma
maneira em todo o país???
O ESPAÇO IMPORTA!!!
Consumo de Água per Capita (resposta) X Renda per capita(preditora)
GWR:
CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo Urbano de Águ
no Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS.
GWR – Geographically Weighted Regression
Consumo de Água per Capita (resposta) X Renda per capita(preditora)
CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo Urbano de Águ
no Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS.
Os menores coeficientes
estimados para a variável
RENDA foram observados em
municípios do Estado do Rio
Grande do Sul ...
....e os maiores em Alagoas.
GWR – Geographically Weighted Regression
GWR – Geographically Weighted Regression
Consumo de Água per Capita (resposta)
X Renda per capita(preditora)
CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo Urbano de Águ
no Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS.
Região do Município de Traipu (AL)  maior coeficiente estimado
Um aumento de R$ 1 na renda per capita da população está associado a um
incremento do consumo de água de 100,3 ml/dia/hab.
Região do município de Floriano Peixoto (RS)  um dos menores coeficientes
significativos (t-valor > 1,96):
Um aumento de R$ 1 na renda per capita da população está associado a um
aumento do consumo de 10,22 ml/dia/hab.
Hipóteses???
CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo Urbano de Água
no Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS.
De maneira geral, as regiões apresentadas como
aquelas onde a elevação da renda está relacionada a
um maior incremento do consumo (áreas mais
escuras) tendem a coincidir com as áreas onde o
aumento do poder de consumo – que acompanhou
o recente processo de estabilização econômica,
crescimento econômico e ampliação dos programas
redistributivos – apresentou os maiores impactos na
redução da pobreza e extrema pobreza do país.
Considerações sobre os Resultados
CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo Urbano de Água
no Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS.
São regiões onde a redução da pobreza ampliou de
maneira expressiva o acesso a recursos básicos para a
manutenção de vida desta população, entre eles a
água potável.
Já em regiões como a Sul, caracterizada por níveis
mais elevados de renda, um aumento na renda tende
a gerar um impacto menor no aumento do consumo
de bens essenciais como a água e, provavelmente,
maior no consumo de bens de outra natureza.
Considerações sobre os Resultados
Spatial Regression Analysis: A Workbook (Luc
Anselin):
http://geodacenter.asu.edu/system/files/rex1.pdf
Fitting and Interpreting Spatial Regression Models:
An Applied Survey (Roger Bivand):
http://www.nek.lu.se/ryde/NordicEcont09/Papers/bivand.pdf
Tutoriais
GeoDa
Índice de Moran, LISA maps, Regressão Clássica e
Espacial (Spatial Lag & Spatial Error)
GeodaSpace
Regressão Clássica e Espacial (Regimes Espaciais,
Spatial Lag & Spatial Error)
SPRING e Terraview
Índice de Moran, LISA map
GWR 4.0
GWR
Softwares

Mais conteúdo relacionado

Mais procurados

Análise de agrupamentos e regionalização - Prática no Geoda
Análise de agrupamentos e regionalização - Prática no GeodaAnálise de agrupamentos e regionalização - Prática no Geoda
Análise de agrupamentos e regionalização - Prática no GeodaVitor Vieira Vasconcelos
 
Interpolação e Geoestatística - QGis, Geoda e R
Interpolação e Geoestatística - QGis, Geoda e RInterpolação e Geoestatística - QGis, Geoda e R
Interpolação e Geoestatística - QGis, Geoda e RVitor Vieira Vasconcelos
 
Análise exploratória estatístico-espacial, Mapas de Kernel e Proximidade - QG...
Análise exploratória estatístico-espacial, Mapas de Kernel e Proximidade - QG...Análise exploratória estatístico-espacial, Mapas de Kernel e Proximidade - QG...
Análise exploratória estatístico-espacial, Mapas de Kernel e Proximidade - QG...Vitor Vieira Vasconcelos
 
Análise de Agrupamentos e Regionalização
Análise de Agrupamentos e RegionalizaçãoAnálise de Agrupamentos e Regionalização
Análise de Agrupamentos e RegionalizaçãoVitor Vieira Vasconcelos
 
Análise de Eventos Pontuais - Distância padrão, Agregação, Mapas de Kernel, P...
Análise de Eventos Pontuais - Distância padrão, Agregação, Mapas de Kernel, P...Análise de Eventos Pontuais - Distância padrão, Agregação, Mapas de Kernel, P...
Análise de Eventos Pontuais - Distância padrão, Agregação, Mapas de Kernel, P...Vitor Vieira Vasconcelos
 
Introdução ao SIG
Introdução ao SIGIntrodução ao SIG
Introdução ao SIGguest72086
 
Operações com dados espaciais (Vetor) em R
Operações com dados espaciais (Vetor) em ROperações com dados espaciais (Vetor) em R
Operações com dados espaciais (Vetor) em RVitor Vieira Vasconcelos
 
Geovisualização Multivariada, Temporal e de Incerteza
Geovisualização Multivariada, Temporal e de IncertezaGeovisualização Multivariada, Temporal e de Incerteza
Geovisualização Multivariada, Temporal e de IncertezaVitor Vieira Vasconcelos
 
Analise espacial
Analise espacialAnalise espacial
Analise espacialunesp
 
RELATÓRIO DE ATIVIDADES DE CAMPO SOBRE NIVELAMENTO GEOMÉTRICO SIMPLES
RELATÓRIO DE ATIVIDADES DE CAMPO SOBRE NIVELAMENTO GEOMÉTRICO SIMPLESRELATÓRIO DE ATIVIDADES DE CAMPO SOBRE NIVELAMENTO GEOMÉTRICO SIMPLES
RELATÓRIO DE ATIVIDADES DE CAMPO SOBRE NIVELAMENTO GEOMÉTRICO SIMPLESEzequias Guimaraes
 

Mais procurados (20)

Análise de agrupamentos e regionalização - Prática no Geoda
Análise de agrupamentos e regionalização - Prática no GeodaAnálise de agrupamentos e regionalização - Prática no Geoda
Análise de agrupamentos e regionalização - Prática no Geoda
 
Análise Espacial de Eventos Pontuais
Análise Espacial de Eventos PontuaisAnálise Espacial de Eventos Pontuais
Análise Espacial de Eventos Pontuais
 
Interpolação e Geoestatística - QGis, Geoda e R
Interpolação e Geoestatística - QGis, Geoda e RInterpolação e Geoestatística - QGis, Geoda e R
Interpolação e Geoestatística - QGis, Geoda e R
 
Regressão Linear I
Regressão Linear IRegressão Linear I
Regressão Linear I
 
Dados espaciais
Dados espaciaisDados espaciais
Dados espaciais
 
Análise exploratória estatístico-espacial, Mapas de Kernel e Proximidade - QG...
Análise exploratória estatístico-espacial, Mapas de Kernel e Proximidade - QG...Análise exploratória estatístico-espacial, Mapas de Kernel e Proximidade - QG...
Análise exploratória estatístico-espacial, Mapas de Kernel e Proximidade - QG...
 
Análise de Pontos em R
Análise de Pontos em RAnálise de Pontos em R
Análise de Pontos em R
 
Análise de Agrupamentos e Regionalização
Análise de Agrupamentos e RegionalizaçãoAnálise de Agrupamentos e Regionalização
Análise de Agrupamentos e Regionalização
 
Sensoriamento Remoto em R
Sensoriamento  Remoto em RSensoriamento  Remoto em R
Sensoriamento Remoto em R
 
Dados espaciais em R
Dados espaciais em RDados espaciais em R
Dados espaciais em R
 
Interpolação e Geoestatística em R
Interpolação e Geoestatística em RInterpolação e Geoestatística em R
Interpolação e Geoestatística em R
 
Dados espaciais em R (2020)
Dados espaciais em R (2020)Dados espaciais em R (2020)
Dados espaciais em R (2020)
 
Análise de Eventos Pontuais - Distância padrão, Agregação, Mapas de Kernel, P...
Análise de Eventos Pontuais - Distância padrão, Agregação, Mapas de Kernel, P...Análise de Eventos Pontuais - Distância padrão, Agregação, Mapas de Kernel, P...
Análise de Eventos Pontuais - Distância padrão, Agregação, Mapas de Kernel, P...
 
Introdução ao SIG
Introdução ao SIGIntrodução ao SIG
Introdução ao SIG
 
Sistemas de Informações Geográficas
Sistemas de Informações GeográficasSistemas de Informações Geográficas
Sistemas de Informações Geográficas
 
Krigagem e Geovisualização Multivariada
Krigagem e Geovisualização MultivariadaKrigagem e Geovisualização Multivariada
Krigagem e Geovisualização Multivariada
 
Operações com dados espaciais (Vetor) em R
Operações com dados espaciais (Vetor) em ROperações com dados espaciais (Vetor) em R
Operações com dados espaciais (Vetor) em R
 
Geovisualização Multivariada, Temporal e de Incerteza
Geovisualização Multivariada, Temporal e de IncertezaGeovisualização Multivariada, Temporal e de Incerteza
Geovisualização Multivariada, Temporal e de Incerteza
 
Analise espacial
Analise espacialAnalise espacial
Analise espacial
 
RELATÓRIO DE ATIVIDADES DE CAMPO SOBRE NIVELAMENTO GEOMÉTRICO SIMPLES
RELATÓRIO DE ATIVIDADES DE CAMPO SOBRE NIVELAMENTO GEOMÉTRICO SIMPLESRELATÓRIO DE ATIVIDADES DE CAMPO SOBRE NIVELAMENTO GEOMÉTRICO SIMPLES
RELATÓRIO DE ATIVIDADES DE CAMPO SOBRE NIVELAMENTO GEOMÉTRICO SIMPLES
 

Destaque

Mapas de Densidade de Pontos e Mapas de Fluxos
Mapas de Densidade de Pontos e Mapas de FluxosMapas de Densidade de Pontos e Mapas de Fluxos
Mapas de Densidade de Pontos e Mapas de FluxosVitor Vieira Vasconcelos
 
Georrefenciamento de bases vetoriais no AutoCAD Map
Georrefenciamento de bases vetoriais no AutoCAD MapGeorrefenciamento de bases vetoriais no AutoCAD Map
Georrefenciamento de bases vetoriais no AutoCAD MapVitor Vieira Vasconcelos
 
Mapeamento de estratificação de altitude para vegetação no Brasil: subsídios...
Mapeamento de estratificação de altitude para vegetação no Brasil: subsídios...Mapeamento de estratificação de altitude para vegetação no Brasil: subsídios...
Mapeamento de estratificação de altitude para vegetação no Brasil: subsídios...Vitor Vieira Vasconcelos
 
Modelagem e Geotecnologias para a Conservação, Planejamento e Gestão da Biodi...
Modelagem e Geotecnologias para a Conservação, Planejamento e Gestão da Biodi...Modelagem e Geotecnologias para a Conservação, Planejamento e Gestão da Biodi...
Modelagem e Geotecnologias para a Conservação, Planejamento e Gestão da Biodi...Vitor Vieira Vasconcelos
 
Georreferenciamento de fotos (geotagging) no Geosetter
Georreferenciamento de fotos (geotagging) no GeosetterGeorreferenciamento de fotos (geotagging) no Geosetter
Georreferenciamento de fotos (geotagging) no GeosetterVitor Vieira Vasconcelos
 
Mapas Coropléticos e de Símbolos Proporcionais
Mapas Coropléticos e de Símbolos ProporcionaisMapas Coropléticos e de Símbolos Proporcionais
Mapas Coropléticos e de Símbolos ProporcionaisVitor Vieira Vasconcelos
 
Mapas de Kernel: Conceitos e Aplicações
Mapas de Kernel: Conceitos e AplicaçõesMapas de Kernel: Conceitos e Aplicações
Mapas de Kernel: Conceitos e AplicaçõesAnderson Medeiros
 
Aprendizes e Feiticeiros - A Era dos Extremos - Eric Hobsbawn
Aprendizes e Feiticeiros - A Era dos Extremos - Eric HobsbawnAprendizes e Feiticeiros - A Era dos Extremos - Eric Hobsbawn
Aprendizes e Feiticeiros - A Era dos Extremos - Eric HobsbawnVitor Vieira Vasconcelos
 
Robert Merton - Cência, Tecnologia e Sociedade
Robert Merton - Cência, Tecnologia e SociedadeRobert Merton - Cência, Tecnologia e Sociedade
Robert Merton - Cência, Tecnologia e SociedadeVitor Vieira Vasconcelos
 

Destaque (20)

Mapas de Densidade de Pontos e Mapas de Fluxos
Mapas de Densidade de Pontos e Mapas de FluxosMapas de Densidade de Pontos e Mapas de Fluxos
Mapas de Densidade de Pontos e Mapas de Fluxos
 
Georrefenciamento de bases vetoriais no AutoCAD Map
Georrefenciamento de bases vetoriais no AutoCAD MapGeorrefenciamento de bases vetoriais no AutoCAD Map
Georrefenciamento de bases vetoriais no AutoCAD Map
 
Prática de Regressão no SPSS
Prática de Regressão no SPSSPrática de Regressão no SPSS
Prática de Regressão no SPSS
 
Mapeamento de estratificação de altitude para vegetação no Brasil: subsídios...
Mapeamento de estratificação de altitude para vegetação no Brasil: subsídios...Mapeamento de estratificação de altitude para vegetação no Brasil: subsídios...
Mapeamento de estratificação de altitude para vegetação no Brasil: subsídios...
 
Modelagem e Geotecnologias para a Conservação, Planejamento e Gestão da Biodi...
Modelagem e Geotecnologias para a Conservação, Planejamento e Gestão da Biodi...Modelagem e Geotecnologias para a Conservação, Planejamento e Gestão da Biodi...
Modelagem e Geotecnologias para a Conservação, Planejamento e Gestão da Biodi...
 
Georreferenciamento de fotos (geotagging) no Geosetter
Georreferenciamento de fotos (geotagging) no GeosetterGeorreferenciamento de fotos (geotagging) no Geosetter
Georreferenciamento de fotos (geotagging) no Geosetter
 
Religião e Sociologia
Religião e SociologiaReligião e Sociologia
Religião e Sociologia
 
Regressão Linear Múltipla
Regressão Linear MúltiplaRegressão Linear Múltipla
Regressão Linear Múltipla
 
Escalas: Conceitos e Aplicações
Escalas: Conceitos e AplicaçõesEscalas: Conceitos e Aplicações
Escalas: Conceitos e Aplicações
 
Elaboração de Mapas no QGIS
Elaboração de Mapas no QGISElaboração de Mapas no QGIS
Elaboração de Mapas no QGIS
 
Conceitos Básicos de Estatística II
Conceitos Básicos de Estatística IIConceitos Básicos de Estatística II
Conceitos Básicos de Estatística II
 
Correlação Estatística
Correlação EstatísticaCorrelação Estatística
Correlação Estatística
 
Prática com Infraworks 360 Autodesk
Prática com Infraworks 360 AutodeskPrática com Infraworks 360 Autodesk
Prática com Infraworks 360 Autodesk
 
Conceitos Básicos de Estatística I
Conceitos Básicos de Estatística IConceitos Básicos de Estatística I
Conceitos Básicos de Estatística I
 
Cartogramas - Cartografia Temática
Cartogramas - Cartografia TemáticaCartogramas - Cartografia Temática
Cartogramas - Cartografia Temática
 
Mapas Coropléticos e de Símbolos Proporcionais
Mapas Coropléticos e de Símbolos ProporcionaisMapas Coropléticos e de Símbolos Proporcionais
Mapas Coropléticos e de Símbolos Proporcionais
 
Mapas de Kernel: Conceitos e Aplicações
Mapas de Kernel: Conceitos e AplicaçõesMapas de Kernel: Conceitos e Aplicações
Mapas de Kernel: Conceitos e Aplicações
 
Aprendizes e Feiticeiros - A Era dos Extremos - Eric Hobsbawn
Aprendizes e Feiticeiros - A Era dos Extremos - Eric HobsbawnAprendizes e Feiticeiros - A Era dos Extremos - Eric Hobsbawn
Aprendizes e Feiticeiros - A Era dos Extremos - Eric Hobsbawn
 
Robert Merton - Cência, Tecnologia e Sociedade
Robert Merton - Cência, Tecnologia e SociedadeRobert Merton - Cência, Tecnologia e Sociedade
Robert Merton - Cência, Tecnologia e Sociedade
 
Ciência, Tecnologia e Sociedade - CTS
Ciência, Tecnologia e Sociedade - CTSCiência, Tecnologia e Sociedade - CTS
Ciência, Tecnologia e Sociedade - CTS
 

Semelhante a Regressão Espacial

C - Modelos regress espacial - dados de área.ppt
C - Modelos regress espacial - dados de área.pptC - Modelos regress espacial - dados de área.ppt
C - Modelos regress espacial - dados de área.pptssuser077e662
 
Modelo de regressão linear: aspectos teóricos e computacionais
Modelo de regressão linear: aspectos teóricos e computacionais Modelo de regressão linear: aspectos teóricos e computacionais
Modelo de regressão linear: aspectos teóricos e computacionais Rodrigo Rodrigues
 
AMD - Aula n.º 9 - regressão linear múltipla.pptx
AMD - Aula n.º 9 - regressão linear múltipla.pptxAMD - Aula n.º 9 - regressão linear múltipla.pptx
AMD - Aula n.º 9 - regressão linear múltipla.pptxNunoSilva599593
 
Incendios_florestais_gado_soja_e_sua_ralação.pptx
Incendios_florestais_gado_soja_e_sua_ralação.pptxIncendios_florestais_gado_soja_e_sua_ralação.pptx
Incendios_florestais_gado_soja_e_sua_ralação.pptxHichardWendell1
 
Comparação entre a análise objetiva e subjetiva dos dados gerados pelo Mod...
Comparação entre a análise objetiva e subjetiva dos dados gerados pelo Mod...Comparação entre a análise objetiva e subjetiva dos dados gerados pelo Mod...
Comparação entre a análise objetiva e subjetiva dos dados gerados pelo Mod...Elias Galvan
 
Testes de especificação, diagnóstico e interpretação de Modelo OLS (Ordinary ...
Testes de especificação, diagnóstico e interpretação de Modelo OLS (Ordinary ...Testes de especificação, diagnóstico e interpretação de Modelo OLS (Ordinary ...
Testes de especificação, diagnóstico e interpretação de Modelo OLS (Ordinary ...Kleverton Saath
 
AMD - Aula n.º 8 - regressão linear simples.pptx
AMD - Aula n.º 8 - regressão linear simples.pptxAMD - Aula n.º 8 - regressão linear simples.pptx
AMD - Aula n.º 8 - regressão linear simples.pptxNunoSilva599593
 
Apresentação contabilometria 6
Apresentação contabilometria 6Apresentação contabilometria 6
Apresentação contabilometria 6Ingrid M
 
Verificação das Variáveis Reais e Contínuas de Superfície Geradas Pelo M...
Verificação das Variáveis Reais e Contínuas de Superfície Geradas Pelo M...Verificação das Variáveis Reais e Contínuas de Superfície Geradas Pelo M...
Verificação das Variáveis Reais e Contínuas de Superfície Geradas Pelo M...Elias Galvan
 
Analise dimensional
Analise dimensionalAnalise dimensional
Analise dimensionalRafael Cwb
 
Variáveis avaliação de imóvel show
Variáveis avaliação de imóvel showVariáveis avaliação de imóvel show
Variáveis avaliação de imóvel showmaurocesarpaesalmeid
 
A previsão do ibovespa através de um modelo de regressão linear múltipla - Da...
A previsão do ibovespa através de um modelo de regressão linear múltipla - Da...A previsão do ibovespa através de um modelo de regressão linear múltipla - Da...
A previsão do ibovespa através de um modelo de regressão linear múltipla - Da...Daniel Brandão de Castro
 
AMD - Aula n.º 7 - correlação.pptx
AMD - Aula n.º 7 - correlação.pptxAMD - Aula n.º 7 - correlação.pptx
AMD - Aula n.º 7 - correlação.pptxNunoSilva599593
 

Semelhante a Regressão Espacial (20)

C - Modelos regress espacial - dados de área.ppt
C - Modelos regress espacial - dados de área.pptC - Modelos regress espacial - dados de área.ppt
C - Modelos regress espacial - dados de área.ppt
 
Aula 3 ppgdee.ppt
Aula 3 ppgdee.pptAula 3 ppgdee.ppt
Aula 3 ppgdee.ppt
 
Regressao linear
Regressao linearRegressao linear
Regressao linear
 
Modelo de regressão linear: aspectos teóricos e computacionais
Modelo de regressão linear: aspectos teóricos e computacionais Modelo de regressão linear: aspectos teóricos e computacionais
Modelo de regressão linear: aspectos teóricos e computacionais
 
Aula13-15.pdf
Aula13-15.pdfAula13-15.pdf
Aula13-15.pdf
 
AMD - Aula n.º 9 - regressão linear múltipla.pptx
AMD - Aula n.º 9 - regressão linear múltipla.pptxAMD - Aula n.º 9 - regressão linear múltipla.pptx
AMD - Aula n.º 9 - regressão linear múltipla.pptx
 
Incendios_florestais_gado_soja_e_sua_ralação.pptx
Incendios_florestais_gado_soja_e_sua_ralação.pptxIncendios_florestais_gado_soja_e_sua_ralação.pptx
Incendios_florestais_gado_soja_e_sua_ralação.pptx
 
Comparação entre a análise objetiva e subjetiva dos dados gerados pelo Mod...
Comparação entre a análise objetiva e subjetiva dos dados gerados pelo Mod...Comparação entre a análise objetiva e subjetiva dos dados gerados pelo Mod...
Comparação entre a análise objetiva e subjetiva dos dados gerados pelo Mod...
 
Testes de especificação, diagnóstico e interpretação de Modelo OLS (Ordinary ...
Testes de especificação, diagnóstico e interpretação de Modelo OLS (Ordinary ...Testes de especificação, diagnóstico e interpretação de Modelo OLS (Ordinary ...
Testes de especificação, diagnóstico e interpretação de Modelo OLS (Ordinary ...
 
Precipitação
PrecipitaçãoPrecipitação
Precipitação
 
AMD - Aula n.º 8 - regressão linear simples.pptx
AMD - Aula n.º 8 - regressão linear simples.pptxAMD - Aula n.º 8 - regressão linear simples.pptx
AMD - Aula n.º 8 - regressão linear simples.pptx
 
Apresentação contabilometria 6
Apresentação contabilometria 6Apresentação contabilometria 6
Apresentação contabilometria 6
 
Verificação das Variáveis Reais e Contínuas de Superfície Geradas Pelo M...
Verificação das Variáveis Reais e Contínuas de Superfície Geradas Pelo M...Verificação das Variáveis Reais e Contínuas de Superfície Geradas Pelo M...
Verificação das Variáveis Reais e Contínuas de Superfície Geradas Pelo M...
 
02 tópico 1 - regressão linear simples 01 - Econometria - Graduação - UFPA
02   tópico 1 - regressão linear simples 01 - Econometria - Graduação - UFPA02   tópico 1 - regressão linear simples 01 - Econometria - Graduação - UFPA
02 tópico 1 - regressão linear simples 01 - Econometria - Graduação - UFPA
 
Analise dimensional
Analise dimensionalAnalise dimensional
Analise dimensional
 
Regressão aula
Regressão aulaRegressão aula
Regressão aula
 
Regressão linear simples
Regressão linear simplesRegressão linear simples
Regressão linear simples
 
Variáveis avaliação de imóvel show
Variáveis avaliação de imóvel showVariáveis avaliação de imóvel show
Variáveis avaliação de imóvel show
 
A previsão do ibovespa através de um modelo de regressão linear múltipla - Da...
A previsão do ibovespa através de um modelo de regressão linear múltipla - Da...A previsão do ibovespa através de um modelo de regressão linear múltipla - Da...
A previsão do ibovespa através de um modelo de regressão linear múltipla - Da...
 
AMD - Aula n.º 7 - correlação.pptx
AMD - Aula n.º 7 - correlação.pptxAMD - Aula n.º 7 - correlação.pptx
AMD - Aula n.º 7 - correlação.pptx
 

Mais de Vitor Vieira Vasconcelos

Relationships among socioeconomic affluence, yard management, and biodiversity
Relationships among socioeconomic affluence, yard management, and biodiversityRelationships among socioeconomic affluence, yard management, and biodiversity
Relationships among socioeconomic affluence, yard management, and biodiversityVitor Vieira Vasconcelos
 
Fishbanks! Jogo de simulação de gestão de recursos renováveis
Fishbanks! Jogo de simulação de gestão de recursos renováveisFishbanks! Jogo de simulação de gestão de recursos renováveis
Fishbanks! Jogo de simulação de gestão de recursos renováveisVitor Vieira Vasconcelos
 
Regimes de Apropriação de Recursos Naturais
Regimes de Apropriação de Recursos NaturaisRegimes de Apropriação de Recursos Naturais
Regimes de Apropriação de Recursos NaturaisVitor Vieira Vasconcelos
 
Relações entre sistemas naturais e sociais
Relações entre sistemas naturais e sociaisRelações entre sistemas naturais e sociais
Relações entre sistemas naturais e sociaisVitor Vieira Vasconcelos
 
Recursos Naturais e Serviços Ecossistêmicos
Recursos Naturais e Serviços EcossistêmicosRecursos Naturais e Serviços Ecossistêmicos
Recursos Naturais e Serviços EcossistêmicosVitor Vieira Vasconcelos
 
Bases teóricas e conceituais do Planejamento e da Política Ambiental
Bases teóricas e conceituais do Planejamento e da Política AmbientalBases teóricas e conceituais do Planejamento e da Política Ambiental
Bases teóricas e conceituais do Planejamento e da Política AmbientalVitor Vieira Vasconcelos
 

Mais de Vitor Vieira Vasconcelos (20)

Relationships among socioeconomic affluence, yard management, and biodiversity
Relationships among socioeconomic affluence, yard management, and biodiversityRelationships among socioeconomic affluence, yard management, and biodiversity
Relationships among socioeconomic affluence, yard management, and biodiversity
 
Fishbanks! Jogo de simulação de gestão de recursos renováveis
Fishbanks! Jogo de simulação de gestão de recursos renováveisFishbanks! Jogo de simulação de gestão de recursos renováveis
Fishbanks! Jogo de simulação de gestão de recursos renováveis
 
Regimes de Apropriação de Recursos Naturais
Regimes de Apropriação de Recursos NaturaisRegimes de Apropriação de Recursos Naturais
Regimes de Apropriação de Recursos Naturais
 
Recursos Comuns e Tragédia dos Comuns
Recursos Comuns e Tragédia dos ComunsRecursos Comuns e Tragédia dos Comuns
Recursos Comuns e Tragédia dos Comuns
 
Relações entre sistemas naturais e sociais
Relações entre sistemas naturais e sociaisRelações entre sistemas naturais e sociais
Relações entre sistemas naturais e sociais
 
Valoração de Serviços Ecossistêmicos
Valoração de Serviços EcossistêmicosValoração de Serviços Ecossistêmicos
Valoração de Serviços Ecossistêmicos
 
Recursos Naturais e Serviços Ecossistêmicos
Recursos Naturais e Serviços EcossistêmicosRecursos Naturais e Serviços Ecossistêmicos
Recursos Naturais e Serviços Ecossistêmicos
 
Bases teóricas e conceituais do Planejamento e da Política Ambiental
Bases teóricas e conceituais do Planejamento e da Política AmbientalBases teóricas e conceituais do Planejamento e da Política Ambiental
Bases teóricas e conceituais do Planejamento e da Política Ambiental
 
Planejamento territorial
Planejamento territorialPlanejamento territorial
Planejamento territorial
 
Coremática e Mapeamento Participativo
Coremática e Mapeamento ParticipativoCoremática e Mapeamento Participativo
Coremática e Mapeamento Participativo
 
Cartografia Social
Cartografia SocialCartografia Social
Cartografia Social
 
MIgrações
MIgraçõesMIgrações
MIgrações
 
Conflitos fundiários
Conflitos fundiáriosConflitos fundiários
Conflitos fundiários
 
Conflitos Territoriais
Conflitos TerritoriaisConflitos Territoriais
Conflitos Territoriais
 
Chácara Baronesa - Haras São Bernardo
Chácara Baronesa - Haras São BernardoChácara Baronesa - Haras São Bernardo
Chácara Baronesa - Haras São Bernardo
 
Governo e Território
Governo e TerritórioGoverno e Território
Governo e Território
 
Segregação e Interação Territorial
Segregação e Interação TerritorialSegregação e Interação Territorial
Segregação e Interação Territorial
 
Território e Poder
Território e PoderTerritório e Poder
Território e Poder
 
Lugar, Ambiente, Paisagem e Sentimento
Lugar, Ambiente, Paisagem e SentimentoLugar, Ambiente, Paisagem e Sentimento
Lugar, Ambiente, Paisagem e Sentimento
 
Interpretação do Espaço
Interpretação do EspaçoInterpretação do Espaço
Interpretação do Espaço
 

Último

MAPA - ADM - CIÊNCIAS SOCIAIS - 51/2024
MAPA - ADM - CIÊNCIAS SOCIAIS -  51/2024MAPA - ADM - CIÊNCIAS SOCIAIS -  51/2024
MAPA - ADM - CIÊNCIAS SOCIAIS - 51/2024excellenceeducaciona
 
Dengue - Atividades números naturais.docx
Dengue - Atividades números naturais.docxDengue - Atividades números naturais.docx
Dengue - Atividades números naturais.docxAndré Morária
 
Jean Piaget - Trajetória, teoria e contribuições para educação.
Jean Piaget - Trajetória, teoria e contribuições para educação.Jean Piaget - Trajetória, teoria e contribuições para educação.
Jean Piaget - Trajetória, teoria e contribuições para educação.marianedesouzapadua
 
Exercícios_Figuras_de_Linguagem para fundamental e medio
Exercícios_Figuras_de_Linguagem  para fundamental e medioExercícios_Figuras_de_Linguagem  para fundamental e medio
Exercícios_Figuras_de_Linguagem para fundamental e medioFernanda Mota
 
3. Como será feita a apresentação do conteúdo destas abordagens? Serão debate...
3. Como será feita a apresentação do conteúdo destas abordagens? Serão debate...3. Como será feita a apresentação do conteúdo destas abordagens? Serão debate...
3. Como será feita a apresentação do conteúdo destas abordagens? Serão debate...azulassessoriaacadem3
 
Os impactos ambientais e suas consequências
Os impactos ambientais e suas consequênciasOs impactos ambientais e suas consequências
Os impactos ambientais e suas consequênciasLaianaLessaTeixeiraP
 
2. É possível a denúncia do Estado agressor junto ao Tribunal Penal Internaci...
2. É possível a denúncia do Estado agressor junto ao Tribunal Penal Internaci...2. É possível a denúncia do Estado agressor junto ao Tribunal Penal Internaci...
2. É possível a denúncia do Estado agressor junto ao Tribunal Penal Internaci...Unicesumar
 
Ensino Religioso Ensino Religioso Ensino Religioso
Ensino Religioso Ensino Religioso Ensino ReligiosoEnsino Religioso Ensino Religioso Ensino Religioso
Ensino Religioso Ensino Religioso Ensino ReligiosoLUZIATRAVASSO1
 
Antologia Literária NATAL em Versos 2023
Antologia Literária NATAL em Versos 2023Antologia Literária NATAL em Versos 2023
Antologia Literária NATAL em Versos 2023Nome Sobrenome
 
MATERNAL PLANEJAMENTO SEMANAL( TRABALHANDO A DENGUE).pptx
MATERNAL PLANEJAMENTO SEMANAL( TRABALHANDO A DENGUE).pptxMATERNAL PLANEJAMENTO SEMANAL( TRABALHANDO A DENGUE).pptx
MATERNAL PLANEJAMENTO SEMANAL( TRABALHANDO A DENGUE).pptxssuser3ec4ca
 
Regimento da ADUFC-Seção Sindical do ANDES-SN
Regimento da ADUFC-Seção Sindical do ANDES-SNRegimento da ADUFC-Seção Sindical do ANDES-SN
Regimento da ADUFC-Seção Sindical do ANDES-SNADUFC S.Sind
 
Como bem castigar os escravos - Jorge Benci 1700.pdf
Como bem castigar os escravos - Jorge Benci 1700.pdfComo bem castigar os escravos - Jorge Benci 1700.pdf
Como bem castigar os escravos - Jorge Benci 1700.pdfTiagoGarros
 
trabalho de didatica 09/03/2024 pedagogia
trabalho de didatica 09/03/2024 pedagogiatrabalho de didatica 09/03/2024 pedagogia
trabalho de didatica 09/03/2024 pedagogiakarinareserva924
 
Explique o modelo de determinação social da saúde proposto por Dahlgren e Whi...
Explique o modelo de determinação social da saúde proposto por Dahlgren e Whi...Explique o modelo de determinação social da saúde proposto por Dahlgren e Whi...
Explique o modelo de determinação social da saúde proposto por Dahlgren e Whi...excellenceeducaciona
 
4) Por fim, discorra sobre como a inovação pode representar uma estratégia co...
4) Por fim, discorra sobre como a inovação pode representar uma estratégia co...4) Por fim, discorra sobre como a inovação pode representar uma estratégia co...
4) Por fim, discorra sobre como a inovação pode representar uma estratégia co...excellenceeducaciona
 
8_704__8o_ano_aula_N1_2024.pptx para aulas de artes
8_704__8o_ano_aula_N1_2024.pptx para aulas de artes8_704__8o_ano_aula_N1_2024.pptx para aulas de artes
8_704__8o_ano_aula_N1_2024.pptx para aulas de artesdouglasfronja07
 

Último (20)

MAPA - ADM - CIÊNCIAS SOCIAIS - 51/2024
MAPA - ADM - CIÊNCIAS SOCIAIS -  51/2024MAPA - ADM - CIÊNCIAS SOCIAIS -  51/2024
MAPA - ADM - CIÊNCIAS SOCIAIS - 51/2024
 
NBR 6023/2018 (Corrigida em 2020). Referências. 1s24.pdf
NBR 6023/2018 (Corrigida em 2020). Referências. 1s24.pdfNBR 6023/2018 (Corrigida em 2020). Referências. 1s24.pdf
NBR 6023/2018 (Corrigida em 2020). Referências. 1s24.pdf
 
Dengue - Atividades números naturais.docx
Dengue - Atividades números naturais.docxDengue - Atividades números naturais.docx
Dengue - Atividades números naturais.docx
 
Jean Piaget - Trajetória, teoria e contribuições para educação.
Jean Piaget - Trajetória, teoria e contribuições para educação.Jean Piaget - Trajetória, teoria e contribuições para educação.
Jean Piaget - Trajetória, teoria e contribuições para educação.
 
Sugestões para a montagem e desenvolvimento de slides.pdf
Sugestões para a montagem e desenvolvimento de slides.pdfSugestões para a montagem e desenvolvimento de slides.pdf
Sugestões para a montagem e desenvolvimento de slides.pdf
 
Exercícios_Figuras_de_Linguagem para fundamental e medio
Exercícios_Figuras_de_Linguagem  para fundamental e medioExercícios_Figuras_de_Linguagem  para fundamental e medio
Exercícios_Figuras_de_Linguagem para fundamental e medio
 
3. Como será feita a apresentação do conteúdo destas abordagens? Serão debate...
3. Como será feita a apresentação do conteúdo destas abordagens? Serão debate...3. Como será feita a apresentação do conteúdo destas abordagens? Serão debate...
3. Como será feita a apresentação do conteúdo destas abordagens? Serão debate...
 
Complementação: Aplicando as Normas da ABNT. 1s24.pdf
Complementação: Aplicando as Normas da ABNT. 1s24.pdfComplementação: Aplicando as Normas da ABNT. 1s24.pdf
Complementação: Aplicando as Normas da ABNT. 1s24.pdf
 
Os impactos ambientais e suas consequências
Os impactos ambientais e suas consequênciasOs impactos ambientais e suas consequências
Os impactos ambientais e suas consequências
 
2. É possível a denúncia do Estado agressor junto ao Tribunal Penal Internaci...
2. É possível a denúncia do Estado agressor junto ao Tribunal Penal Internaci...2. É possível a denúncia do Estado agressor junto ao Tribunal Penal Internaci...
2. É possível a denúncia do Estado agressor junto ao Tribunal Penal Internaci...
 
Ensino Religioso Ensino Religioso Ensino Religioso
Ensino Religioso Ensino Religioso Ensino ReligiosoEnsino Religioso Ensino Religioso Ensino Religioso
Ensino Religioso Ensino Religioso Ensino Religioso
 
Antologia Literária NATAL em Versos 2023
Antologia Literária NATAL em Versos 2023Antologia Literária NATAL em Versos 2023
Antologia Literária NATAL em Versos 2023
 
MATERNAL PLANEJAMENTO SEMANAL( TRABALHANDO A DENGUE).pptx
MATERNAL PLANEJAMENTO SEMANAL( TRABALHANDO A DENGUE).pptxMATERNAL PLANEJAMENTO SEMANAL( TRABALHANDO A DENGUE).pptx
MATERNAL PLANEJAMENTO SEMANAL( TRABALHANDO A DENGUE).pptx
 
Regimento da ADUFC-Seção Sindical do ANDES-SN
Regimento da ADUFC-Seção Sindical do ANDES-SNRegimento da ADUFC-Seção Sindical do ANDES-SN
Regimento da ADUFC-Seção Sindical do ANDES-SN
 
Como bem castigar os escravos - Jorge Benci 1700.pdf
Como bem castigar os escravos - Jorge Benci 1700.pdfComo bem castigar os escravos - Jorge Benci 1700.pdf
Como bem castigar os escravos - Jorge Benci 1700.pdf
 
trabalho de didatica 09/03/2024 pedagogia
trabalho de didatica 09/03/2024 pedagogiatrabalho de didatica 09/03/2024 pedagogia
trabalho de didatica 09/03/2024 pedagogia
 
NBR 10520.2023. Citações. 1s24 (revisão em 09mar24).pdf
NBR 10520.2023. Citações. 1s24 (revisão em 09mar24).pdfNBR 10520.2023. Citações. 1s24 (revisão em 09mar24).pdf
NBR 10520.2023. Citações. 1s24 (revisão em 09mar24).pdf
 
Explique o modelo de determinação social da saúde proposto por Dahlgren e Whi...
Explique o modelo de determinação social da saúde proposto por Dahlgren e Whi...Explique o modelo de determinação social da saúde proposto por Dahlgren e Whi...
Explique o modelo de determinação social da saúde proposto por Dahlgren e Whi...
 
4) Por fim, discorra sobre como a inovação pode representar uma estratégia co...
4) Por fim, discorra sobre como a inovação pode representar uma estratégia co...4) Por fim, discorra sobre como a inovação pode representar uma estratégia co...
4) Por fim, discorra sobre como a inovação pode representar uma estratégia co...
 
8_704__8o_ano_aula_N1_2024.pptx para aulas de artes
8_704__8o_ano_aula_N1_2024.pptx para aulas de artes8_704__8o_ano_aula_N1_2024.pptx para aulas de artes
8_704__8o_ano_aula_N1_2024.pptx para aulas de artes
 

Regressão Espacial

  • 1. REGRESSÃO ESPACIAL Vitor Vieira Vasconcelos BH1350 – Métodos e Técnicas de Análise da Informação para o Planejamento Agosto de 2016
  • 2. Análise de regressão é uma ferramenta estatística que utiliza a relação entre duas ou mais variáveis tal que uma variável possa ser explicada (Y  variável resposta/ saída/dependente) pela outra ou outras (X  variáveis indicadoras/ preditoras/ explicativas/ independentes). Y = aX + b NETER J. et al. Applied Linear Statistical Models. Boston, MA: McGraw-Hill, 1996. ANÁLISE DE REGRESSÃO
  • 3. 1. Seleção e Preparação das Variáveis 2. Escolha e Ajuste do Modelo de Regressão 3. Diagnóstico para verificar se o modelo ajustado é adequado  Ajuste do modelo (R2, Teste F, Testes t para coef., etc.)  Multicolinearidade (FIV)  Análise dos Resíduos Etapas da Análise de Regressão
  • 4. Se modelo for adequado, resíduos devem refletir as propriedades impostas pelo termo de erro do modelo. LINEARIDADE DO MODELO Análise dos Resíduos Não Linearidade 0 X Resíduo
  • 5. NORMALIDADE DOS RESÍDUOS: Suposição essencial para que os resultados do ajuste do modelo sejam confiáveis. Análise dos Resíduos Outros diagnósticos: Shapiro-Wilk, Anderson-Darling, Kolmogorov-Smirnov
  • 6. HOMOCEDASTICIDADE (Variância Constante) Análise dos Resíduos Outros diagnósticos: Teste de Breush-Pagan, Goldfeld-Quandt 0 X Variância Não Constante Resíduo
  • 7. PRESENÇA DE OUTLIERS Gráfico resíduos padronizados vs. Valores Ajustados Análise dos Resíduos Pontos Influentes: DFFITS, DFBETA, Distância de Cook. -0,4 -0,2 0 0,2 0,4 0,6 0,8 1 150 155 160 165 170 175 180 185 X ResíduosPadronizados
  • 8. INDEPENDÊNCIA Gráfico resíduos padronizados vs. Valores Ajustados Análise dos Resíduos Outros Diagnósticos: Teste de Durbin-Watson Autocorrelação espacial: Mapa dos resíduos, Índice de Moran X 0 Erros Correlacionados Resíduo
  • 9. MODELO ADEQUADO Análise dos Resíduos 0 Resíduo X
  • 10. DADOS ESPACIAIS Caso a hipótese de independência espacial das observações seja FALSA  DEPENDÊNCIA ESPACIAL EFEITOS ESPACIAIS: Se existir forte tendência ou correlação espacial, os resultados serão influenciados, apresentando associação estatística onde não existe (e vice-versa) Análise dos Resíduos
  • 11. Como verificar? Medir a autocorrelação espacial dos resíduos da regressão (ex. Índice de Moran dos resíduos) Dica para o trabalho final do curso • Exportar tabela com os resíduos do modelo de regressão (SPSS) • Unir esta tabela com o shapefile original (“união” no QGIS) e visualizar os resíduos (Mapa dos resíduos) • Os resíduos estão espacialmente correlacionados? Calcular o Índice de Moran dos resíduos no GeoDa (com teste de pseudo- significância) Análise dos Resíduos
  • 12. São José dos Campos Crescimento Populacional 91-00 X Densidade Populacional 91 1. Mapear os resíduos da regressão – índícios de correlação 2. Índice de Moran sobre mapa de resíduos I=0,45 3. Testes de pseudo- significância indicam autocorrelação espacial significativa Exemplo
  • 13.  As observações não são independentes espacialmente.  Portanto... temos uma violação das nossas premissas.  Dependendo da natureza da dependência, parâmetros estimados pelo método dos mínimos quadrados será ineficiente ou inconsistente. E agora? Autocorrelação Espacial Constatada!!!
  • 14. Incorpora a estrutura de dependência espacial no modelo PREMISSA:  Assumimos que conhecemos a estrutura de dependência espacial (ela não é estimada)  Premissa forte? Sim!  Porém não tão forte quanto assumir que todas as observações são independentes espacialmente  Matrizes de ponderação tipicamente consideradas: contiguidade (rainha, torre... e em diferentes ordens de contiguidade) ou distância (n vizinhos mais próximos...); Regressão Espacial
  • 15. Podem ser globais ou locais Globais: inclui no modelo de regressão um parâmetro para capturar a estrutura de autocorrelação espacial na área de estudo como um todo. Locais: parâmetros variam continuamente no espaço Regressão Espacial
  • 16. Global Local Estatísticas dizem respeito à região como um todo (1 valor) Disagregações locais das estatísticas globais (Muitos valores) Estatísticas globais e não mapeáveis Estatísticas locais e mapeáveis Ênfase nas similaridades da região Ênfase nas diferenças ao longo do espaço Procura regularidades ou “leis” Procura por exceções ou “hot- spots” locais Ex.: Regressão Clássica, Spatial Lag, Spatial Error Ex.: GWR, Regimes Espaciais Adaptado de: Fotheringham, A.S., Brunsdon, C., and Charlton, M.E., 2002, Geographically Weighted Regression: The Analysis of Spatially Varying Relationships, Chichester: Wiley. Global vs. Local
  • 17. PREMISSA É possível capturar a estrutura de correlação espacial num único parâmetro (adicionado ao modelo de regressão). Alternativas Spatial Lag Models (SAR): atribuem a autocorrelação espacial à variável resposta Y. (Spatial Autoregressive Modeling) Spatial Error Models (CAR): atribuem a autocorrelação ao erro. (Conditional Autoregressive Modeling) Modelos com Efeitos Espaciais Globais
  • 18. PREMISSA: A variável Yi é afetada pelos valores da variável resposta nas áreas vizinhas a i. Y = ρWY + Xβ + ε ρ = coeficiente espacial autoregressivo - medida de correlação espacial (ρ = 0, se autocorrelação é nula - hipótese nula) W = matriz de proximidade espacial WY expressa a dependência espacial em Y Exemplo: Valor dos imóveis Modelo Spatial Lag
  • 19. Modelo Spatial Error PREMISSA: As observações são interdependentes graças a variáveis não mensuradas, e que são espacialmente correlacionadas Ou seja: efeitos espaciais são um ruído! Por que ele ocorre? Porque não conseguimos modelar todas as características de uma unidade geográfica que podem influenciar as regiões vizinhas. Assume que, se pudéssemos adicionar as variáveis certas para remover o erro do modelo, o espaço não importaria mais.
  • 20. MODELO: Y = Xβ + ε ε = ρWε + ξ Wε = erro com efeitos espaciais ρ = medida de correlação espacial ξ = componente do erro com variância constante e não correlacionada. Modelo Spatial Error
  • 21. DIAGNÓSTICO PARA AUXILIAR NA ESCOLHA DE UM MODELO OU OUTRO Testes Multiplicadores de Langrange (Langrange Multiplier Tests, Anselin et al. 1996)  Executa regressão dos resíduos em relação às variáveis originais e aos resíduos das áreas vizinhas  LM-Lag: testes para dependência em relação às variáveis originais nas áreas vizinhas – lag dependence  LM-Error: testes para dependência em relação aos resíduos nas áreas vizinhas - error dependence  Se ambos forem significativos, utilizar LM-Lag e LM-Error robustos Spatial Lag & Spatial Error
  • 23. Motivações diferentes, porém próximos em termos formais. Ambos partem do pressuposto de que o processo espacial analisado é estacionário e pode ser capturado em um único parâmetro. Spatial Lag & Spatial Error
  • 24. Porém isto nem sempre é verdade! É importante verificar se padrões diversos de associação espacial estão presentes. Uma Solução Exploratória: Indicadores Locais de Autocorrelação Espacial
  • 25. Distribuição dos valores de correlação local para o índice de exclusão Indicadores Locais de Associação Espacial (LISA) Não significantes p = 0.05 [95% (1,96s)] p = 0.01 [99% (2,54s)] p = 0.001 [99,9% (3,2s)] % Exclusão
  • 26. Modelos de Regressão com Efeitos Espaciais DISCRETOS Variações espaciais modeladas de maneira discreta.  Regimes Espaciais Modelos de Regressão com Efeitos Espaciais CONTÍNUOS Variações espaciais modeladas de forma contínua, com parâmetros variando no espaço.  Geographically Weighted Regression – GWR. [Regressão Geograficamente Ponderada] Quantitative Geography; A. S. Fotheringham, C. Brunsdon, M. Charlton, 2000 (print 2004) Modelos com Efeitos Espaciais Locais
  • 27. A ideia é regionalizar a área de estudo obtendo sub- regiões com seu padrão próprio. Realizar regressões separadas para cada sub-região. Regimes Espaciais
  • 28. Regionalizações da área de estudo Diferentes tipos de variabilidade espacial Métricas: Diagrama de espalhamento e índices locais e globais – regionalização tipo k- medias espacial Ex: Regimes espaciais para índice de exclusão Regimes Espaciais
  • 29. 1. Análise gráfica dos resíduos 2. Mapear os resíduos – concentração de resíduos negativos ou positivos em parte do mapa indica presença de autocorrelação espacial 3. Índice de Moran dos resíduos 4. Indicadores de qualidade de ajuste dos modelos baseados no coeficiente de determinação (R2) serão incorretos. 5. Utilização do AIC – critério de informação de Akaike, a avaliação do ajuste é penalizada por função do número de parâmetros (é preferível o modelo com o menor valor AIC). Diagnóstico de Modelos de Efeitos Espaciais
  • 30. Longevidade X Renda em São José dos Campos Regressão Simples Spatial Lag Regimes Espaciais R2 ajustado 0.280 0.586 0.80 AIC 379.84 306.51 260.09 Índice de Moran dos resíduos 0.620 0.01 0.02 Comparação das Regressões
  • 31. Ajusta um modelo de regressão a cada ponto observado, ponderando todas as demais observações como função da distância a este ponto. Y(i) = β(i)X + ε Y(i): variável que representa o processo no ponto i. β(i): parâmetros estimados no ponto i. Quantitative Geography; A. S. Fotheringham, C. Brunsdon, M. Charlton, 2000 (print 2004) GWR – Geographically Weighted Regression
  • 32. y = b0 + b1x1 + e  regressão “clássica” simples com um preditor b0 ,b1 são os mesmos para toda área Se existe alguma variação geográfica na relação essa variação fica incluída como erro. GWR – Geographically Weighted Regression
  • 33. y(i) = b0(i) + b1(i) x1 + e(i)  GWR b0(i), b1(i)  para cada ponto i do espaço há um b0 e b1 diferentes Existe uma função (kernel) sobre cada ponto do espaço que determina todos os pontos da regressão local que é ponderada pela distância. Pontos mais próximos do ponto central tem maior peso. Assim como no kernel – a escolha da largura da banda é importante (pode ser fixa ou adaptável à densidade dos dados) GWR – Geographically Weighted Regression
  • 34. GWR – Geographically Weighted Regression
  • 35. Adaptado de: Fotheringham, A.S., Brunsdon, C., and Charlton, M.E., 2002, Geographically Weighted Regression: The Analysis of Spatially Varying Relationships, Chichester: Wiley. LARGURA DE BANDA FUNÇÃO DE PONDERAÇÃO GWR – Geographically Weighted Regression
  • 36. Modelos Locais vs. Modelos Globais  Mesmas técnicas de análise do ajuste do modelo, porém comparação é problemática  GWR apresentará sempre melhores ajustes pois envolve o ajuste de muito mais parâmetros  Sugestão: medida AICc, que leva em consideração a complexidade do modelo e a quantidade de casos amostrados. Ajuste do Modelo GWR
  • 37. Os parâmetros podem ser apresentados visualmente para identificar como se comportam espacialmente os relacionamentos entre as variáveis. Ex: Crescimento Pop. (resposta) X Densidade Pop. (preditora) GWR – Geographically Weighted Regression
  • 38. Ex: Crescimento Pop. (resposta) X Densidade Pop. (preditora) Mapa de resíduos (I = 0,04) : GWR – Geographically Weighted Regression
  • 39. Consumo de Água per Capita (resposta) X Renda per capita (preditora) CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo Urbano de Água no Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS. Distribuição espacial de consumo residencial de água e renda da população em 2010. Fonte: SNIS (2010) e IBGE (2010). EXEMPLO
  • 41. Consumo de Água per Capita (resposta) X Renda per capita (preditora) CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo Urbano de Água n Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS. MODELO DE REGRESSÃO LINEAR GLOBAL
  • 42. Mas será que esta relação, entre consumo de água e renda, ocorre da mesma maneira em todo o país??? O ESPAÇO IMPORTA!!!
  • 43. Consumo de Água per Capita (resposta) X Renda per capita(preditora) GWR: CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo Urbano de Águ no Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS. GWR – Geographically Weighted Regression
  • 44. Consumo de Água per Capita (resposta) X Renda per capita(preditora) CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo Urbano de Águ no Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS. Os menores coeficientes estimados para a variável RENDA foram observados em municípios do Estado do Rio Grande do Sul ... ....e os maiores em Alagoas. GWR – Geographically Weighted Regression
  • 45. GWR – Geographically Weighted Regression Consumo de Água per Capita (resposta) X Renda per capita(preditora) CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo Urbano de Águ no Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS. Região do Município de Traipu (AL)  maior coeficiente estimado Um aumento de R$ 1 na renda per capita da população está associado a um incremento do consumo de água de 100,3 ml/dia/hab. Região do município de Floriano Peixoto (RS)  um dos menores coeficientes significativos (t-valor > 1,96): Um aumento de R$ 1 na renda per capita da população está associado a um aumento do consumo de 10,22 ml/dia/hab. Hipóteses???
  • 46. CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo Urbano de Água no Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS. De maneira geral, as regiões apresentadas como aquelas onde a elevação da renda está relacionada a um maior incremento do consumo (áreas mais escuras) tendem a coincidir com as áreas onde o aumento do poder de consumo – que acompanhou o recente processo de estabilização econômica, crescimento econômico e ampliação dos programas redistributivos – apresentou os maiores impactos na redução da pobreza e extrema pobreza do país. Considerações sobre os Resultados
  • 47. CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo Urbano de Água no Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS. São regiões onde a redução da pobreza ampliou de maneira expressiva o acesso a recursos básicos para a manutenção de vida desta população, entre eles a água potável. Já em regiões como a Sul, caracterizada por níveis mais elevados de renda, um aumento na renda tende a gerar um impacto menor no aumento do consumo de bens essenciais como a água e, provavelmente, maior no consumo de bens de outra natureza. Considerações sobre os Resultados
  • 48. Spatial Regression Analysis: A Workbook (Luc Anselin): http://geodacenter.asu.edu/system/files/rex1.pdf Fitting and Interpreting Spatial Regression Models: An Applied Survey (Roger Bivand): http://www.nek.lu.se/ryde/NordicEcont09/Papers/bivand.pdf Tutoriais
  • 49. GeoDa Índice de Moran, LISA maps, Regressão Clássica e Espacial (Spatial Lag & Spatial Error) GeodaSpace Regressão Clássica e Espacial (Regimes Espaciais, Spatial Lag & Spatial Error) SPRING e Terraview Índice de Moran, LISA map GWR 4.0 GWR Softwares
  • 50. PRÁTICA Regressão Espacial  Spatial Lag e Spatial Error com o Software GeoDa  GWR com o Software GWR 4.0