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
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.
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
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
mcWynik 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 0.00Bibliografia 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()).
- 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/
- 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
- 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
Diagnostyka regresji w R
Reszty studentyzowane, dźwignia, Cook i DFBETAS, VIF, maskowanie heteroskedastyczności, HC3 i analiza wrażliwości – z danymi i kodem R.
Czytaj →PoradnikSprzedaż na mapie – I Morana, LISA i GWR
120 powiatów i sprzedaż fotowoltaiki: macierz wag, I Morana, skupiska LISA, modele przestrzenne i GWR – sześć rysunków z kodem R.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- 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
- 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
- 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}}