2. Análise de dados de area
Em algumas situações práticas a localização geográfica
dos eventos (pontos) não está disponível.
Mas pode-se encontrar dados aglomerados por de área,
como um estado, município, bairro, distrito, setor censitário,
etc.
Nestes casos os dados em geral, são contagens por uni-
dade de área tais como: número de nascimentos, número
de crimes, número de arvores, etc.
Os dados de área também podem ser expressos em forma
de taxas, médias, medianas, por exemplo: taxa de morta-
lidade, percentual de adultos analfabetos; renda média do
chefe da familia, mediana etária em mulheres.
Notes
3. Análise de dados de area
A forma usual de apresentação de dados de áreas é por
meio dos mapas temáticas,
Figura 1: Renda média mensal dos municípios de Mato Grosso
(Fonte: IBGE)
Notes
4. Análise de dados de area
Os mapas temáticos representam padrão espacial do fenô-
meno nas areas
A análise estatística permite além de visualizar o fenômeno
nas areas:
definir se o padrão é aleatório ou não
verificar se existe tendência
Notes
5. Análise de dados de area
Para analisar dados de area em geral utiliza-se o modelo
de variação espacial discreta.
Considere-se a existência de um processo estocástico Zi
i = 1, ..., n , em que:
Zi é a realização do processo espacial na área i e
n é o total de áreas (A1, ...An
O objetivo principal da análise é construir uma aproxima-
ção para a distribuição conjunta de variáveis aleatórias Z =
{Z1, ...Zn}.
Em geral supões que Zi segue uma distribuição Poisson,
mas quando a variável é taxas ou médias, pode-se supor
que Zi segue uma distribuição normal
Notes
6. Análise de dados de area
Um dos problemas básicos com dados agregados por área
é que, para uma mesma população estudada, a definição
espacial das fronteiras das áreas afeta os resultados obti-
dos.
As estimativas obtidas dentro de um sistema de unidades
de área são função das diversas maneiras segundo as quais
essas unidades podem ser agrupadas.
Pode-se obter resultados diferentes simplesmente alterando
as fronteiras entre essas áreas.
Este problema é conhecido como "problema da unidade de
área modificável"
Notes
8. Vizinhança
Inicialmente deve-se escolher o critério de vizinhança a ser
utilizado;
Em seguida deve-se atribuir pesos para a ligações entre os
vizinhos identificados.
Notes
9. Vizinhança
A vizinhança é representada por uma matriz de proximi-
dade espacial, também chamada matriz de vizinhança.
Dado um conjunto de n áreas (A1, ..., An), a matriz de vi-
zinhança de primeira ordem é represetando porW
(1)
(nxn), e
cada um dos elementos wij representa uma medida de pro-
ximidade entre Ai e Aj.
Existem vários critérios para escolha de wij
wij = 1 se Ai faz fronteira com Aj e wij = 0 caso contrário
wij = 1 se Ai está a uma certa distância de Aj e wij = 0
caso contrário
wij = 1/d representa inverso da distância d entre Ai e Aj
wij = 1/d2
representa inverso do quadrado da distância d
entre Ai e Aj
Notes
10. Vizinhança
Considere um gride regular com 9 observações em x e y
são as coordenadas de cada área
y x
0,2 0,5 1,2
0,5 Z1 = 1 Z4 = 3 Z7 = 3
1,5 Z2 = 3 Z5 = 10 Z8 = 1
2,5 Z3 = 5 Z6 = 8 Z9 = 3
Notes
11. Vizinhança
Como temos 9 áreas a matrix W terá ordem 9
Considerando como vizinhos apenas as areas que fazem
fronteiras norte, sul, leste e oeste
Assim, teriamos por exemplo:
A1 tem como vizinhos A2 e A4
A5 tem como vizinhos A2, A4, A6 e A8
Matriz de pesos
W =
0 1 0 1 0 0 0 0 0
1 0 1 0 1 0 0 0 0
0 1 0 0 0 1 0 0 0
1 0 0 0 1 0 1 0 0
0 1 0 1 0 1 0 1 0
0 0 1 0 1 0 0 0 1
0 0 0 1 0 0 0 1 0
0 0 0 0 1 0 1 0 1
0 0 0 0 0 1 0 1 0
Notes
12. Vizinhança
Para utilizar a distância para definir vizinhança é necessário
obter a matriz de distâncias,
A matriz de distância é uma matriz simétrica em que cada
dij pode ser obtido pela distância euclidiana entre as áreas
Temos a seguinte matriz de distância
D =
0, 00 1, 00 2, 00 0, 50 1, 12 2, 06 1, 00 1, 00 1, 41
1, 00 0, 00 1, 00 1, 12 0, 50 1, 12 1, 41 1, 41 1, 00
2, 00 1, 00 0, 00 2, 06 1, 12 0, 50 2, 24 2, 24 1, 41
0, 50 1, 12 2, 06 0, 00 1, 00 2, 00 0, 50 0, 50 1, 12
1, 12 0, 50 1, 12 1, 00 0, 00 1, 00 1, 12 1, 12 0, 50
2, 06 1, 12 0, 50 2, 00 1, 00 0, 00 2, 06 1, 12 0, 50
1, 00 1, 41 2, 24 0, 50 1, 12 2, 06 0, 00 1, 00 2, 00
1, 00 1, 41 2, 24 0, 50 1, 12 1, 12 1, 00 0, 00 1, 00
1, 41 1, 00 1, 41 1, 12 0, 50 0, 50 2, 00 1, 00 0, 00
Notes
15. Vizinhança
A matriz W é conhecida como matriz de vizinhança não
normalizada, pode-se trabalhar com matrizes normalizadas
em que os todos os elementos estão entre 0 e 1
A matriz W∗, designada de matriz normalizada por linha
Esta matriz é construída a partir da matriz W original, dividindo-
se todos os elementos de cada linha de W pela soma da
linha
Portanto, a matriz W∗
possui todas as linhas com a soma
igual a 1 e não é simétrica
Notes
16. Vizinhança
A matriz Wn, designada de matriz normalizada global
Esta matriz é construída a partir da matriz W original:
Wn =
n
n
i=1
n
j=1
wij
W
em que n é o numero de áreas e wij são os pesos da matrix
W
Wn esta matriz é simétrica
Notes
17. Média Movel Espacial
A média móvel espacial pode ser utilizada para analisar a
existência de tendência espacial
Para calcular a média móvel espacial utiliza-se a expres-
são:
µi =
n
j=1
wijzi
n
j=1
wij
em que
wij são os pesos da matriz de vizinhança
zi é o valor da variável na area i
Notes
21. Média Movel Espacial
Figura 2: Taxa de homicídio por 1000 habitantes do estado de mato
grosso. À esquerda valores observados. À direita média móvel local,
considerando uma vizinhança do tipo Queen.
Notes
22. Dependência Espacial
Na análise de dados de area um dos objetivos é verifica o
tipo de interação entre as áreas, surgindo questões do tipo
Se em uma área existe um alto numero de ocorrências de
um evento, em uma área vizinha a ocorrência também será
alta?
Se em uma área existe um alto numero de ocorrências de
um evento, em uma área vizinha a ocorrência será baixa?
Neste contexto é importante estudar a dependência espa-
cial, mostrando como os valores estão correlacionados no
espaço
Notes
23. Dependência Espacial
A dependência espacial pode ser expressa pela autocor-
relação espacial que indica quanto uma variável varia em
função dos seus vizinhos
Para estimar a dependencia espacial pode-se utilizar dois
indices
Indice de Moran
Indice de Geary
Notes
24. Índice de Moran
O Índice de Moran é um coeficiente muito útil para medir a
correlação espacial.
Este índice mede a relação do desvio padronizado de uma
variável Z numa área i com o desvio padronizado das
áreas vizinhas para a mesma variável Z.
I =
n
n
i=1
n
j=1
wij(zi − ¯z)(zj − ¯z)
S0(zi − ¯z)2
n é total de áreas;
zi e zj os valores da variável nas áreas i e j;
¯z é média geral ;
wij é a matriz de pesos
S0 é o somatório dos elementos wij da matriz de pesos
Notes
25. Índice de Moran
A interpretação deste índice é:
I > 0 correlação positiva indicando presença de conglome-
rados ou agrupamentos.
I = 0 ausência de correlação indicando que a distribuição
espacial é aleatória
I < 0 correlação negativa indicando a existência de regula-
ridade
Notes
26. Índice de Moran
Após calcular o índice de Moran é importante testar as se-
guintes hipóteses
H0 : I = 0 não existe correlação espacial
H1 : I = 0 existe correlação espacial
A significância do índice de Moran por duas suposições bá-
sicas
Normalidade
Aletadoriedade
Notes
27. Índice de Moran
Sob a suposição de normalidade temos que
µI é o valor esperado do índice de Moran dado por:
µI = −
1
n − 1
σ2
I é a variância do índice de Moran dada por:
σ2
I =
n3
− n2
S1 + n − n2
S2 + (2 − 4n) S2
0
(n3 − n2 − n + 1) S2
0
em que
S1 =
1
2
n
i=1
n
j=1
(wij + wji )
2
S2 =
n
i=1
(wi. + w.i )
2
wi. =
n
j=1
wij
Notes
28. Índice de Moran
Sob hipótese de aleatoriedade a distribuição de probabili-
dade é desconhecida e assim, temos que:
µIR
é o valor esperado do índice de Moran dado por:
µIR
= −
1
n − 1
σ2
I é a variância do índice de Moran dada por:
σ
2
IR
=
n 3S0
2
+ n2
− 3n + 3 S1 − nS2 − k 6S0
2
+ n2
− n S1 − 2nS2
(n − 3) (n − 2) (n − 1) S0
2
−
1
(n − 1)2
em que
k =
n
i=1
(zi − z)
4
n
n
i=1
(zi − z)
2
2
Notes
29. Índice de Moran
Em ambos os casos a significância do índice de Moran uti-
lizado a estatística
zc =
I − µ
√
σ2
em que µ e σ2 são o valor esperando e variância
Rejeita-se H0 se valor − p ≤ α ou zc > zα, em que zα é
obtido da distribuição normal padrão
Notes
30. Índice de Geary
O índice de Geary é utilizado para medir a correlação es-
pacial
Este índice se baseia na diferença entre os pares de áreas
C =
(n − 1)
n
i=1
n
j=1
wij(zi − zj)2
S0
n
i=1
z2
i
n é total de áreas;
zi e zj os valores da variável nas áreas i e j;
wij é a matriz de pesos
S0 é o somatório dos elementos wij da matriz de pesos
Notes
31. Índice de Geary
A interpretação deste índice é:
I < 1 correlação positiva indicando presença de conglome-
rados ou agrupamentos.
I = 1 ausência de correlação indicando que a distribuição
espacial é aleatória
I > 1 correlação negativa indicando a existência de regula-
ridade
Notes
32. Índice de Geary
Para verificar a significância do índice de Geary pode-se
utilizar duas suposições básicas
Normalidade
Aletadoriedade
Notes
33. Índice de Geary
Para ambas as suposições temos que µc = 1
Sob suposição de normalidade temos que
σ2
C =
(n − 1)(2S1 + S2)) − 4S2
0
2(n + 1)S2
0
Sob suposição de alaetoriedade temos que
σ
2
C =
(n − 1)S1(n2
− 3n + 3 − (n − 1)k − 1
4
(n − 1)S2(n2
+ 3n − 6 − (n2
− n + 2)k) + S2
0 (n2
− 3 − (n − 1)2
k)
n(n − 2)(n − 3)S2
0
Notes
34. Índice de Geary
Em ambos os casos a significância do índice de Moran uti-
lizado a estatística
zc =
I − 1
√
σ2
em que µ e σ2 são o valor esperando e variância
Rejeita-se H0 se valor − p ≤ α ou zc > zα, em que zα é
obtido da distribuição normal padrão
Notes
35. Exemplo
Utilizando taxa homicídios no ano de 2012 em mato grosso,
e considerando vizinhança tipo Queen
Índice de Moran
I=0,0027, suposição normal valor-p=0.4228, suposição de
aleatoriedade valor-p=0,4240
Como valor-p>0,05 temos evidências de que não existe
correlação entre as areas.
Índice de Grey
I=0,9559, suposição normal valor-p=0,2514, suposição de
aleatoriedade valor-p=0,2173
Como valor-p>0,05 temos evidências de que não existe
correlação entre as areas.
Notes
36. Correlograma Espacial
Os índices de Moran e Geary são utilizados para estimar a
dependência espacial
Para cada classe de distância d pode-se estabelecer uma
matriz de vizinhança W(d) permitindo o cálculo diferentes
valores destes índices para a mesma variável.
Isso permite avaliar o comportamento de autocorrelação
espacial como uma função de distância, em um gráfico cha-
mado de correlograma espacial, que fornece um descritor
do padrão espacial nos dados.
Notes
37. Correlograma Espacial
O número e o tipo de classes de distância a ser condisera-
das são em principio, arbitrários e podem ser consideradas
diferentes possibilidades a partir de um mesmo conjunto de
dados.
Pode-se utilizar a fórmula de Sturges para determinar o nú-
mero k de classe de distância, em que
k = 1 + log2n
sendo n é numero de distâncias na área amostral.
Notes
38. Correlograma Espacial
Neste caso, os valores obtidos pelo correlograma podem
ser considerados significativos a um determinado nível de
significância α, utilizando o critério de correção de Bonfer-
roni
Esta correção consiste em ajustar o nível de probabilidade
α em que se avalia a significância, dividindo pelo numero
de classes de distância k de maneira que α = α/k.
Notes
40. Correlograma Espacial
Figura 4: Padrão de dados com gradiente linear - Correlograma apre-
senta correlações positiva em distâncias curtas e correlações negati-
vos em grandes distâncias
Notes
41. Correlograma Espacial
Figura 5: Padrão de grandes manchas - Correlograma apresenta cor-
relações positiva em pequenas e grandes distâncias e correlações
negativos distâncias intermediárias
Notes
42. Correlograma Espacial
Figura 6: Padrão de pequenas manchas e regulares - Correlograma
apresenta correlações positiva e negativas significativas oscilando em
função das distâncias
Notes
43. Correlograma Espacial
Figura 7: Padrão aleatório - Correlograma apresenta a maioria das
correlações não significativas oscilando em torno de zero
Notes
46. Correlograma Espacial
Figura 9: Taxa de homicídio por 1000 habitantes do estado de mato
grosso e correlogramas de Moran e Geary
Notes
47. Diagrama de Espalhamento de Moran
O diagrama de espalhamento de Moran é uma maneira adi-
cional de visualizar a dependência espacial.
Para construir esse gráfico utiliza-se os valores normaliza-
dos da variável
a =
z − µ
σ
Em seguida é plotado os valores normalizados a da variável
com a média do seu vizinho com a média dos seus vizinhos
Wa
Notes
48. Diagrama de Espalhamento de Moran
O diagrama de espalhamento de Moran é é dividido em
quatro quadrantes, que são interpretados da seguinte forma
Áreas que que encontram-se no Q1 (valores positivos, mé-
dias positivas) e Q2 (valores negativos, médias negativas)
apresentam associação espacial positiva, no sentido que
uma localização possui vizinhos com valores semelhantes.
Áreas que que encontram-se no Q3 (valores positivos, mé-
dias negativas) e Q4 (valores negativos, médias positivas)
apresentam associação espacial negativa, no sentido que
uma localização possui vizinhos com valores distintos
Notes
50. Diagrama de Espalhamento de Moran
O diagrama reflete a estrutura espacial nas duas escalas
de análise: vizinhança e tendência
O índice de Moran I e equivalente ao coeficiente de regres-
são linear entre a e Wa
A regressão linear entre a e Wa permite identificar valo-
res extremos (outliers), para isso localiza-se pontos no dia-
grama de Moran que são extremos em relação à tendência
central, refletida pela inclinação da reta de regressão.
A presença de valores extremos pode significar:
problemas com a especificação da matriz de proximidade
ou com a escala espacial de observação dos dados.
a existência de regiões de transição entre regimes
espaciais distintos, os quais geralmente pertencem aos
quadrantes Q3 e Q4
O diagrama de espalhamento de Moran também pode ser
apresentado na forma de um mapa temático, no qual cada
area é apresentada com a cor do respectivo quadrante
Notes
51. Diagrama de Espalhamento de Moran
O diagrama de espalhamento de Moran também pode ser
apresentado na forma de um mapa temático, no qual cada
area é apresentada com a cor do respectivo quadrante
As areas que se encontram nos quadrantes 3 e 4 (correla-
ção negativa), podem podem ser entendidos como regiões
de transição entre as áreas que se encontram nos quadran-
tes 1 e 2 (correlação positiva)
Notes
52. Diagrama de Espalhamento de Moran
Figura 11: Diagrama de Espalhamento de Moran para renda média
mensal dos municípios de Mato Grosso
Notes
53. Diagrama de Espalhamento de Moran
Figura 12: Diagrama de Espalhamento de Moran para taxa de homi-
cídio por 1000 habitantes dos municípios de Mato Grosso
Notes
54. Indicadores Locais de Associação Espacial (LISA)
A estatística espacial local quantifica o grau de associação
espacial a que cada localização está submetida em função
de um modelo de vizinhança preestabelecido
Para este tipo de análise utilizas-e os Indicadores Locais
de Associação Espacial (LISA)
O LISA para cada observação dá uma indicação da exten-
são da aglomeração espacial significativa de valores simi-
lares em torno de que a observação
Um LISA será qualquer estatística que satifaça a dois crité-
rio:
Um indicador LISA deve possuir, para cada observação,
uma indicação de clusters espaciais significantes de valo-
res similares em torno da observação (e.g. região)
O somatório dos LISAs, para todas as regiões, é proporcio-
nal ao indicador de autocorrelação espacial global.
Notes
55. Índice local de Moran
O índice local de Moran é um indicador LISA baseado na
índice de Moran.
Ii =
(zi − ¯z)
S2
i
n
j=1
wij(zj − ¯z)
n é total de áreas;
zi e zj os valores da variável nas áreas i e j;
¯z é média geral ;
wij é a matriz de pesos
S2
i =
n
j=1,i=j
wij
n−1 − ¯z2
Notes
56. Índice local de Moran
O valor esperado para o índice local de Moran
µIi
= −
n
j=1
wij
n − 1
A variância é dada por:
σ2
Ii
=
(n − k)
n
j=1,i=j
w2
ij
n − 1
+
(2k − n)
n
j=1,i=j
n
k=1,i=j,j=k
wij wik
(n − 1)(n − 2)
−
n
j=1
wij
n − 1
2
Notes
57. Índice local de Moran
A significância do índice local de Moran é testada utilizado
a estatística
zc =
Ii − µIi
σ2
Ii
Rejeita-se H0 se valor − p ≤ α ou zc > zα, em que zα é
obtido da distribuição normal padrão
Notes
58. Índice local de Moran
A análise do índice local de Moran é muito semelhante ao
do índice de Moran.
I > µIi
correlação positiva
I = µIi
ausência de correlação
I < µIi
correlação negativa
Determinada a significância estatística do índice local de
Moran, em geral é apresentado um mapa temático indi-
cando as regiões que apresentam correlação local signi-
ficativamente diferente do resto do dados
Notes
59. Índice local de Moran
Figura 13: Indice local de Moran para renda média mensal dos muni-
cípios de Mato Grosso
Notes
60. Índice local de Moran
Figura 14: Indice local de Moran para taxa de homicídio por 1000
habitantes dos municípios de Mato Grosso
Notes
61. Regressão Espacial
A análise de regressão é uma técnica que estuda a relação
entre duas ou mais variáveis quantitativas estabelecendo
uma equação matemática
Por meio do modelos de regressão é possível o investigar o
efeito de variáveis explicativas (X) na mudança da variável
resposta (Y)
Existem diversos modelos de regressão
regressão linear
regressão linear múltipla
regressão não linear
Notes
62. Regressão Espacial
Quando é ajustado um modelo de regressão tem-se a pres-
suposição são:
Os erros tem distribuição normal
Os erros tem variância constante
Os erros são independentes
Quando os dados são distribuídos espacialmente em areas,
em geral a hipótese de independência dos erros não é aten-
dida
Notes
63. Regressão Espacial
Em dados distribuídos espacialmente em areas deve-se ve-
rificar a presença da autocorrelação espacial no resíduos
da regressão
A autocorrelação ou dependência espacial pode afetar o
erro, a variável dependente ou ambos
Notes
64. Regressão Espacial
Quando detectada a presença de autocorrelação espacial,
é necessário ajustar modelos de regressão espacial
Os principais modelos de regressão espacial são:
Modelo SAR
Modelo SEM
Modelo SARMA
Notes
65. Modelo SAR
O modelo autorregressivo espacial (SAR) é utilizado para
modelar o efeito a interação espacial entre uma área e seus
vizinhos
É um modelo que considera o efeito de defasagem espacial
ou lag espacial.
O modelo SAR é dada por:
y = ρWy + Xβ +
em que:y é o vetor de observações
ρ é o coeficiente de autocorrelação espacial
W é a matriz de vizinhança
X é matriz de regressão
β é vetor de covariáveis
é o vetor de erros, em que i são independentes e
identicamente distribuídos com i ∼ N(0, σ2
)
Notes
66. Modelo SAR
A estimação do modelo SAR é feita assumindo que o vetor
de erros tem distribuição normal multivariada com média
zero e covariância σ2I
O modelo SAR pode ser escrito da seguinte forma:
y = (I − ρW)−1
Xβ + (I − ρW)−1
O vetor de observações y possui distribuição condicional a
X normal multivariada, com média e variância condicional,
dadas por:
E[Y|X] = (I − ρW)−1
Xβ
Σ[Y|X] = σ2
(I − ρW)−1
(I − ρW)−1
Notes
67. Modelo SAR
A partir da distribuição de y obtém-se a verosimilhança
condicional e estimação dos parâmetros (ρ, β, σ2) é feita
por método iterativos.
Notes
68. Modelo SEM
O modelo de erro espacial (SEM) considera um processo
espacial autoregressivo em termo de erro
O modelo SEM é dada por:
y = Xβ + u
u = λWu +
em que:
y é o vetor de observações
λ é o coeficiente de autocorrelação espacial de erro
W é a matriz de vizinhança
X é matriz de regressão
β é vetor de covariáveis
é o vetor de erros, em que i são independentes e
identicamente distribuídos com i ∼ N(0, σ2
)
Notes
69. Modelo SEM
A variável u é uma variável latente não observada
Essa variável latente pode representar uma observação não
medida como por exemplo: cultura, capital social, violência,
etc
A variável u também pode se entendida como uma variável
que expressa a heterogeneidade espacial
Notes
70. Modelo SEM
O modelo SEM pode ser escrito da seguinte forma
y = Xβ + (I − ρW)−1
A estimação do modelo SEM é feita assumindo que o vetor
de erros tem distribuição normal multivariada com média
zero e covariância σ2I
Notes
71. Modelo SEM
O vetor de observações y possui distribuição condicional a
X normal multivariada, com média e variância condicional,
dadas por:
E[Y|X] = Xβ
Σ[Y|X] = σ2
(I − ρW)−1
(I − ρW)−1
A estimação é feita por maxima verosimilhança condicional
Notes
72. Modelo SARMA
O modelo de autoregressivo de médias móveis espcial (SARMA)
é uma combinação dos modelos SAR e SEM
O modelo SARMA é dada por:
y = ρW1yXβ + u
u = λW2u +
em que:
y é o vetor de observações
ρ λ são coeficientes de autocorrelação espacial de
defasagem e de erro
W1 e W2 é a matriz de vizinhança, em que W1 pode ser
diferente de W2
X é matriz de regressão
β é vetor de covariáveis
é o vetor de erros, em que i são independentes e
identicamente distribuídos com i ∼ N(0, σ2
)
Notes
73. Modelo SARMA
A estimação do modelo é feita por máxima verossimilhança,
assumindo que o ∼ N(0, σ2I), e reescrevendo o modelo
y = (I − ρW1)−1
Xβ + (I − ρW1)−1
(I − λW2)−1
O vetor de observações y possui distribuição condicional a
X normal multivariada, com média e variância condicional,
dadas por:
E[Y|X] = (I − ρW1)−1
Xβ
Σ[Y|X] = σ2
(I − ρW)−1
(I − λW2)−1
(I − ρW)−1
(I − λW2)−1
Notes
74. Teste de Autocorrelação Espacial
Os principais testes utilizados para detectar a autocorrela-
ção espacial são:
1. Teste de Moran
2. Teste de Multiplicador de Lagrange para a dependência
espacial de erro (LMe)
3. Teste de Multiplicador de Lagrange para a dependência
espacial de defasagem (LMlag)
4. Teste de Multiplicador de Lagrange para a dependência
espacial de defasagem e erro (LMsarma)
Notes
75. Teste de Moran
O teste de Moran consiste em aplicar o indice de Moran
aos resíduos da regressão
O problema deste teste é que ele não identifica o tipo de
efeito (erro ou defasagem espacial)
A estatística do teste é dada por
I =
n
S0
e We
e e
em que
n é total de áreas;
e é o vetor de erros
W á matriz de vizinhança ;
S0 é o somatório dos elementos wij da matriz de vizinhança
Notes
76. Teste de Moran
Sob a suposição de normalidade temos que
µI é o valor esperado do índice de Moran dado por:
µI = −
tr(MW)
n − k
σ2
I é a variância do índice de Moran dada por:
σ2
I =
tr(MWMW ) + tr(MWMW) + (tr(MW))2
(n − k)(n − k + 2)
− µ2
I
em que
M = I − X(X X)−1
X
sendo X a matriz do modelo
Notes
77. Teste de Moran
A significância do índice de Moran pode ser testada utili-
zando a estatística
zc =
I − µI
σ2
I
em que µ e σ2 são o valor esperando e variância
Rejeita-se H0 se valor − p ≤ α ou zc > zα, em que zα é
obtido da distribuição normal padrão
Notes
78. Teste de Moran
A significância do índice de Moran pode ser testada utili-
zando a estatística
zc =
I − µI
σ2
I
em que µ e σ2 são o valor esperando e variância
Rejeita-se H0 se valor − p ≤ α ou zc > zα, em que zα é
obtido da distribuição normal padrão
Notes
79. Teste de LMe
O Teste de Multiplicador de Lagrange para a dependência
espacial de erro (LMe) é utilizado para detectar efeitos de
autocorrelação espacial no termo no erro do modelo
Este teste verifica a existência de componente λ que ex-
pressa a dependência espacial
As hipóteses do teste são
H0 : λ = 0 não existe correlação espacial no erro
H1 : λ = 0 existe correlação espacial no erro
Notes
80. Teste de LMe
A significância pode ser testada utilizando a estatística
LMe =
e We
S2
2
tr(W W + W2)
em que
n é total de áreas;
e é o vetor de erros
W á matriz de vizinhança ;
S2
=
e e
n
A estatística LMe tem distribuição assintótica χ2
(1)
Rejeita-se H0 se valor − p ≤ α ou χ2
c > χ2
α
Notes
81. Teste de LMlag
O teste de Multiplicador de Lagrange para a dependên-
cia espacial de defasagem (LMlag) é utilizado para detectar
efeitos de autocorrelação espacial é proveniente da variá-
vel observada
Este teste verifica a existência de componente ρ que ex-
pressa a dependência espacial
As hipóteses do teste são
H0 : ρ = 0 não existe correlação espacial
H1 : ρ = 0 existe correlação espacial
Notes
82. Teste de LMlag
A significância pode ser testada utilizando a estatística
LMlag =
e Wz
S2
2
(WX ˆβ) MWX ˆβ
S2 + tr(W W + W2)
em que
n é total de áreas;
e é o vetor de erros
z é o vetor de observações
W á matriz de vizinhança ;
S2
=
e e
n
M = I − X(X X)−1
X sendo X a matriz do modelo
ˆβ são os coeficientes estimados no modelo de regressão
Notes
83. Teste de LMlag
A estatística LMlag tem distribuição assintótica χ2
(1)
Rejeita-se H0 se valor − p ≤ α ou χ2
c > χ2
α
Notes
84. Teste de LMSARMA
O teste de Multiplicador de Lagrange para a dependência
espacial de defasagem e erro (LMSARMA) é utilizado para
detectar efeitos de autocorrelação espacial é no erro e na
variável observada
Este teste verifica a existência de duas componentes λ evρ
que expressa a dependência espacial
As hipóteses do teste são
H0 : λ = 0 ρ = 0 não existe correlação espacial
H1 : λ = 0 ρ = 0 existe correlação espacial
Notes
85. Teste de LMSARMA
A significância pode ser testada utilizando a estatística
LMSARMA =
e Wz−e We
S2
2
(WX ˆβ) MWX ˆβ
S2 + tr(W W + W2)
+
e We
S2
2
tr(W W + W2)
em que
n é total de áreas;
e é o vetor de erros
z é o vetor de observações
W á matriz de vizinhança ;
S2
=
e e
n
M = I − X(X X)−1
X sendo X a matriz do modelo
ˆβ são os coeficientes estimados no modelo de regressão
Notes
86. Teste de LMlag
A estatística LMSARMA tem distribuição assintótica χ2
(2)
Rejeita-se H0 se valor − p ≤ α ou χ2
c > χ2
α
Notes
87. Procedimento para Regressão Espacial
Para ajustar uma regressão de dados distribuídos espaci-
almente deve-se seguir os seguintes passos:
1. Ajustar o modelo de regressão
2. Estabelecer uma matriz de vizinhança
3. Testar a presença da autocorrelação espacial utilizando o
teste de Moran
4. Se for detectada a presença da autocorrelação espacial ajus-
tar um novo modelo SAR, SEM ou SARMA
Para escolha do modelo a ser ajustado utilizar os testes LM
Quando mais de um teste LM for significativo, ajustar os mo-
delos e escolher o melhor modelo pelos critérios de Akaike
ou Schwartz.
Notes