Słownik metodologiczny · Modele regresji

Regresja geograficznie ważona (GWR): lokalne współczynniki regresji

GWR pozwala współczynnikom regresji zmieniać się w przestrzeni. Wyjaśniamy jądro i pasmo, wybór pasma według AICc, test stałości współczynników i pokazujemy przykład w R z pakietem GWmodel.

Strona główna / Słownik / Regresja geograficznie ważona (GWR)
W skrócie: Regresja geograficznie ważona (GWR) dopasowuje w każdym miejscu osobną regresję ważoną, w której bliskie obserwacje mają większe wagi. Dzięki temu współczynniki mogą zmieniać się w przestrzeni, a ich mapa pokazuje, gdzie związek jest silniejszy, a gdzie słabszy.

Co to jest regresja geograficznie ważona (GWR)?

Regresja geograficznie ważona (ang. geographically weighted regression, GWR) to odmiana regresji liniowej, w której współczynniki mogą zmieniać się w przestrzeni. Dla każdego miejsca dopasowuje się osobną regresję ważoną: pobliskie obserwacje dostają duże wagi, dalekie – małe lub zerowe. Brunsdon, Fotheringham i Charlton (1996) zaproponowali ją do badania niestacjonarności przestrzennej, czyli sytuacji, w której jeden „globalny” model nie opisuje związków między zmiennymi, bo zmieniają się one z miejsca na miejsce. Metoda luźno nawiązuje do regresji jądrowej, podobnie jak LOESS.

Jak działa

Wagi wylicza funkcja jądra (np. bisquare) z pasmem (bandwidth): stałym, w jednostkach odległości, albo adaptacyjnym, jako liczba najbliższych sąsiadów. Pasmo dobiera się, minimalizując AICc lub błąd walidacji krzyżowej. Wąskie pasmo daje współczynniki bardzo lokalne i niestabilne, szerokie zbliża GWR do modelu globalnego. Brunsdon i in. (1996) zaproponowali test Monte Carlo sprawdzający, czy dany współczynnik jest stały w przestrzeni. GWR razem z innymi modelami ważonymi geograficznie udostępnia pakiet GWmodel (Gollini i in., 2015).

Przykład

W 300 symulowanych punktach prawdziwe nachylenie rosło z zachodu na wschód od 0.2 do 1.8. Model globalny dał jedno nachylenie 1.02. GWR z adaptacyjnym pasmem 99 sąsiadów odtworzyła lokalne nachylenia od 0.44 do 1.69 (korelacja z prawdziwymi r = .98), a AICc spadło z 620.00 do 444.86. Test Monte Carlo (99 losowań) wskazał zmienność nachylenia (p < .01), ale nie wyrazu wolnego (p = .32).

Jak opisać w pracy

Ze względu na możliwą niestacjonarność przestrzenną związku dopasowano regresję geograficznie ważoną (jądro bisquare, adaptacyjne pasmo 99 najbliższych sąsiadów wybrane według AICc). GWR lepiej opisywała dane niż model globalny (AICc = 444.86 wobec 620.00). Lokalne nachylenia wahały się od 0.44 do 1.69 (mediana = 1.02); test Monte Carlo wskazał, że nachylenie zmienia się w przestrzeni (p < .01).

Na co uważać

  • To nie to samo co błąd ekologiczny ani badanie ekologiczne. GWR opisuje, jak związek zmienia się między miejscami; jeśli dane to agregaty obszarów, lokalne współczynniki nadal dotyczą obszarów, nie osób.
  • Lokalne współczynniki bywają ze sobą skorelowane i współliniowe (Wheeler i Tiefelsdorf, 2005), więc mapy pojedynczych współczynników czytaj ostrożnie.
  • Setki lokalnych testów to problem wielokrotnych porównań; lokalnych p nie traktuj jak niezależnych wyników.
  • GWR jest eksploracyjna. Zmienność współczynników może wynikać z pominiętej zmiennej zróżnicowanej przestrzennie. Gdy obserwacje są zagnieżdżone w regionach, alternatywą jest model wielopoziomowy z losowymi nachyleniami.
Przykład reprodukowalny

Regresja geograficznie ważona w R

Kod dopasowuje model globalny lm(), dobiera adaptacyjne pasmo funkcją GWmodel::bw.gwr() według AICc, dopasowuje GWR (gwr.basic()), porównuje AICc obu modeli i testuje stałość współczynników funkcją gwr.montecarlo(). Liczby w tekście pochodzą z tego kodu.

Model globalny, GWR z pasmem adaptacyjnym i test Monte Carlo

Dane wejściowe: 300 symulowanych punktów w kwadracie 10 × 10 km (set.seed(677)); prawdziwe nachylenie y względem x rośnie liniowo z zachodu na wschód od 0.2 do 1.8.

Co odczytać: coef(glob) to jedno nachylenie globalne; bw – wybrana liczba sąsiadów; min, mediana, max – rozkład lokalnych nachyleń, r_z_prawdziwym – ich zgodność z prawdą; niższe AICc_GWR przemawia za GWR; w tabeli p-value wartość 0.00 dla x oznacza, że żadne z 99 losowań nie dało większej zmienności nachylenia (p < .01).

R
set.seed(677)                                       # dane symulowane: 300 punktów w kwadracie 10 × 10 km
suppressPackageStartupMessages({library(sp); library(GWmodel)})
n  <- 300
wx <- runif(n, 0, 10); wy <- runif(n, 0, 10)
x  <- rnorm(n)
b1 <- 0.2 + 0.16 * wx                               # nachylenie rośnie z zachodu na wschód: 0.2 → 1.8
d  <- data.frame(wx, wy, x, y = 1 + b1 * x + rnorm(n, sd = 0.5))
coordinates(d) <- ~ wx + wy
glob <- lm(y ~ x, data = as.data.frame(d))
round(coef(glob), 3)                                # jedno nachylenie dla całego obszaru
invisible(capture.output(                          # wyciszony dziennik wyszukiwania
  bw <- bw.gwr(y ~ x, data = d, approach = "AICc", kernel = "bisquare",
               adaptive = TRUE)))                   # pasmo = liczba najbliższych sąsiadów
m  <- gwr.basic(y ~ x, data = d, bw = bw, kernel = "bisquare", adaptive = TRUE)
lok <- m$SDF$x                                      # lokalne nachylenia
round(c(bw = bw, min = min(lok), mediana = median(lok), max = max(lok),
        r_z_prawdziwym = cor(lok, b1)), 3)
k <- 3                                              # wyraz wolny, nachylenie, wariancja reszt
round(c(AICc_global = AIC(glob) + 2 * k * (k + 1) / (n - k - 1),
        AICc_GWR = m$GW.diagnostic$AICc), 2)
invisible(capture.output(
  mc <- gwr.montecarlo(y ~ x, data = d, nsims = 99, kernel = "bisquare",
                       adaptive = TRUE, bw = bw)))  # test niestacjonarności współczynników
mc
Wynik w R
(Intercept)           x 
      1.049       1.017 
            bw            min        mediana            max r_z_prawdziwym 
        99.000          0.436          1.017          1.693          0.976 
AICc_global    AICc_GWR 
     620.00      444.86 
            p-value
(Intercept)    0.32
x              0.00

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pakiety sp 2.2-4 i GWmodel 2.4-1). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. sp (wersja 2.2-4): Pebesma, E., & Bivand, R. (2026). sp: Classes and methods for spatial data (R package version 2.2-4) [Computer software]. https://CRAN.R-project.org/package=sp
  3. GWmodel (wersja 2.4-1): Lu, B., Harris, P., Charlton, M., Brunsdon, C., & Nakaya, T. (2024). GWmodel: Geographically-weighted models (R package version 2.4-1) [Computer software]. https://CRAN.R-project.org/package=GWmodel

Najczęstsze pytania

Jak wybrać pasmo w GWR?

Najczęściej automatycznie, minimalizując AICc lub błąd walidacji krzyżowej. Pasmo adaptacyjne (liczba sąsiadów) lepiej działa przy nierównej gęstości punktów, bo w rzadko zaludnionych miejscach obejmuje większy obszar.

Czym GWR różni się od modelu wielopoziomowego z losowym nachyleniem?

Model wielopoziomowy zakłada zmienność nachyleń między ustalonymi grupami (np. regionami) i nie korzysta z odległości. GWR zmienia współczynniki płynnie w przestrzeni, ważąc obserwacje według odległości od każdego punktu.

Czy wyniki GWR można interpretować przyczynowo?

Nie bez dodatkowych założeń. Lokalne współczynniki są opisowe, a ich zmienność może wynikać z pominiętych zmiennych lub współliniowości. GWR traktuje się zwykle jako narzędzie eksploracyjne.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Brunsdon, C., Fotheringham, A. S., & Charlton, M. E. (1996). Geographically weighted regression: A method for exploring spatial nonstationarity. Geographical Analysis, 28(4), 281–298. https://doi.org/10.1111/j.1538-4632.1996.tb00936.x ● Otwarty dostęp
  2. Gollini, I., Lu, B., Charlton, M., Brunsdon, C., & Harris, P. (2015). GWmodel: An R package for exploring spatial heterogeneity using geographically weighted models. Journal of Statistical Software, 63(17). https://doi.org/10.18637/jss.v063.i17 ● Otwarty dostęp
  3. Wheeler, D., & Tiefelsdorf, M. (2005). Multicollinearity and correlation among local regression coefficients in geographically weighted regression. Journal of Geographical Systems, 7(2), 161–187. https://doi.org/10.1007/s10109-005-0155-6

Cytowania BibTeX

@article{brunsdon1996geographically, author={Brunsdon, Chris and Fotheringham, A. Stewart and Charlton, Martin E.}, title={{Geographically weighted regression: A method for exploring spatial nonstationarity}}, journal={Geographical Analysis}, year={1996}, volume={28}, number={4}, pages={281--298}, doi={10.1111/j.1538-4632.1996.tb00936.x}}
@article{gollini2015gwmodel, author={Gollini, Isabella and Lu, Binbin and Charlton, Martin and Brunsdon, Christopher and Harris, Paul}, title={{GWmodel: An R package for exploring spatial heterogeneity using geographically weighted models}}, journal={Journal of Statistical Software}, year={2015}, volume={63}, number={17}, doi={10.18637/jss.v063.i17}}
@article{wheeler2005multicollinearity, author={Wheeler, David and Tiefelsdorf, Michael}, title={{Multicollinearity and correlation among local regression coefficients in geographically weighted regression}}, journal={Journal of Geographical Systems}, year={2005}, volume={7}, number={2}, pages={161--187}, doi={10.1007/s10109-005-0155-6}}
R