دليل الخطوة الأولى لتنفيذ التراجع المكاني مع جمهورية صربسكا

ويعد الانحدار المكاني تقنية إحصائية قوية تستخدم لتحليل البيانات المتصلة بمكانة معينة، مما يمكّن الباحثين من فهم كيف تؤثر العوامل الجغرافية على مختلف الظواهر التي تتراوح بين الأنماط البيئية والتنمية الحضرية، ونتائج الصحة العامة، والاتجاهات الاقتصادية، ويوفر هذا الدليل الشامل نهجا مفصلا متدرجا لتنفيذ التراجع المكاني باستخدام R، وهي لغة شعبية من لغات البرمجة الإحصائية المفتوحة المصدر أصبحت الأداة المعيارية لتحليل البيانات المكانية في البحوث الأكاديمية والممارسة المهنية.

فهم التراجع المكاني والأهمية

وتشتمل مشاكل التراجع في الجغرافيا في جوهرها على مواقع جغرافية، ومن نتائج استخدام البيانات الموقعية احتمال أن تشمل التبعية المكانية (التسيير المكاني) والتباين المكاني أو الاتجاهات (غير القائمة على الاستقامة) بخلاف نماذج التراجع التقليدية التي تفترض الاستقلال بين الملاحظات، فإن التراجع المكاني يُظهر بوضوح أن الملاحظات التي تقارب بعضها البعض في الفضاء تميل إلى أن تكون أكثر شبها من تلك التي تفصل بين بعضها البعض.

كما ينص أول قانون جغرافي لـ(توبلر) على أن كل شيء مرتبط بكل شيء آخر لكن قرب الأمور أكثر صلة من الأشياء البعيدة هذا المبدأ الأساسي يستند إلى كل التحليل المكاني ويبرز سبب أن تقنيات التراجع القياسية قد تنتج نتائج مضللة عندما تطبق على البيانات المكانية

وهناك مسائل كثيرة في مجال البحوث الاجتماعية تعتمد من الناحية المكانية مثل نتائج التصويت، وأسعار المساكن، وأسواق العمل، وسلوك الاحتجاج، أو قرارات الهجرة، وعندما يكون التسيير المكاني موجودا في أماكن متبقية، فإنه يشير إلى سوء تحديد النماذج، ويعني أنه لا يمكن الثقة في قيم وتقديرات مُعاملة، وأن نماذج التراجع المكاني توفر الإطار المناسب لمعالجة هذه القضايا.

الحزم الأساسية للتراجع المكاني

قبل أن تبدأ تحليلك للتراجع المكاني، تحتاج إلى تركيب وتعبئة عدة مجموعات رئيسية من R، وقد تطور نظام التحليل المكاني في R تطورا كبيرا، حيث توفر مجموعات حديثة وظيفية شاملة لعمليات البيانات المكانية والنمذجة.

مجموعات أساسية للتحليل المكاني

وتشمل مجموعات كبيرة من العمليات المكانية الأساسية سائلاً من أجل مناولة البيانات المكانية، واستعراض الخرائط، والخريطة من أجل التبصر، والقفز من أجل الأوزان المكانية والعلاقات، وقد أصبحت مجموعة () المعيار الحديث لمعالجة بيانات ناقلات الأماكن في R، محل مجموعة القديمة منقساماً وأكثر كفاءة.

For spatial regression modeling specifically, you'll need the spatialreg package, which provides functions for fitting spatial lag and spatial error models. The ]spdep]] حزمة أساسية لتشخيص التبعية المكانية وإنشاء مصفوفات للأثقال المكانية باستخدام هذه الحزمة.

install.packages(c("sf", "spdep", "spatialreg", "tmap", "mapview"))

بمجرد تركيبها، تحميل الطرود في بداية دورة صاد:

library(sf)
library(spdep)
library(spatialreg)
library(tmap)
library(mapview)

إعداد وسحب بياناتك المكانية

إعداد البيانات بشكل سليم هو أساس تحليل الانحدار المكاني الناجح، ويجب أن تتضمن بياناتكم بيانات عن كل من الإسناد (المتغيرات التي تريد تحليلها) والمعلومات المكانية (الآليات أو الجيولوجيا التي تحدد المواقع).

شروط شكل البيانات

Spatial data can come in various formats, with the most common being shapefiles (.shp), GeoJSON files (.geojson), and GeoPackage files (.gpkg). The sf package can read all these formats using the st_read() function. Here's how to load a shapefile:

spatial_data <- st_read("your_data.shp")

وبالنسبة لملفات شركة GeoJSON، فإن النسيج متطابق:

spatial_data <- st_read("your_data.geojson")

تنظيف البيانات والتحقق منها

قبل أن نمضي في التحليل، نظّف مجموعة بياناتك بدقة لضمان جودة البيانات:

• التحقق من القيم المفقودة ومعالجتها في كل من الهندسة المكانية وبيانات الإسناد
• إزالة أو تصحيح الجيولوجيا الباطلة باستخدام و
• ضمان أن تكون جميع الملاحظات بيانات كاملة للمتغيرات التي تخططين لإدراجها في نموذجك
• التحقق من عدم وجود ملامح مكانية مزدوجة
• تحقق من المتفوقين الذين قد يؤثرون بشكل غير مبرر على نتائج تراجعك

يمكنك التحقق من القيم المفقودة مع:

summary(spatial_data)
sum(is.na(spatial_data$your_variable))

النظم المرجعية المنسقة

ومن أهم جوانب إعداد البيانات المكانية ضمان استخدام جميع مجموعات البيانات نفس نظام المراجع التنسيقية، ويمكن أن يؤدي سوء الضبط إلى عدم صحة العلاقات المكانية ونتائج التحليل غير الصحيحة.

st_crs(spatial_data)

إذا أردت تحويل بياناتك إلى نظام إدارة السجلات والمحفوظات، استخدم وظيفة ، على سبيل المثال، للتحول إلى الفريق العامل 84 (EPSG:4326):

spatial_data <- st_transform(spatial_data, crs = 4326)

من الأفضل في التحليل الذي يتضمن حسابات عن بعد أن يستخدم نظام تنسيق مسقط (مقاس بالمترات أو الأقدام) بدلاً من نظام تنسيق جغرافي (مقاس بدرجات)

تحليل البيانات المكانية والتصوير

الاستكشاف البصري خطوة أولى أساسية في تحليل الانحدار المكاني، يساعدك على تحديد الأنماط، واكتشاف المخارج المحتملة، وفهم التوزيع المكاني لمتغيراتك، وصياغة فرضيات بشأن العلاقات المكانية.

وضع خرائط أساسية

الطريقة الأبسط لتصوير بياناتك المكانية هي استخدام وظيفة تخطيط القاعدة:

plot(spatial_data["variable_name"])

(ب) استخدام حزمة التنصت ]tmap] أو ]mapview].

tm_shape(spatial_data) +
 tm_polygons("variable_name",
 style = "quantile",
 palette = "Blues",
 title = "Your Variable") +
 tm_layout(legend.outside = TRUE)

مجموعة الخرائط تخلق خرائط تفاعلية تسمح لك بتكبيرها، وفتحها على الملامح:

mapview(spatial_data, zcol = "variable_name")

امتحان التوزيع المتغير

قبل وضع نماذج التراجع، فحص التوزيع الإحصائي لمتغيراتك، وضع صور لهوتوغرافية، وصناديق، وإحصاءات موجزة:

hist(spatial_data$dependent_variable,
 main = "Distribution of Dependent Variable",
 xlab = "Value")

summary(spatial_data$dependent_variable)

ابحث عن الكبوهات والخارجيات وما إذا كانت التحولات قد تكون ضرورية، وقد تستفيد المتغيرات العالية المهتزلة من التحولات الجذرية في السوق أو المربع، من أجل الوفاء على نحو أفضل بافتراضات الانحدار.

تحليل الممرات

دراسة العلاقة بين متغيراتك المستقلة للتحقق من تعددية الألوان، مما قد يسبب مشاكل في تحليل التراجع:

cor(st_drop_geometry(spatial_data[, c("var1", "var2", "var3")]))

The function removes the spatial geometry column, leaving only the attribute data for correlation analysis.

فهم وفحص التسيير المكاني

قبل أن تقرر ما إذا كنت بحاجة إلى تراجع مكاني، يجب أن تختبر ما إذا كان التسيّل المكاني موجود في بياناتك أو في بقايا نموذج قياسي للإنحدار من قبل الأوعية الدموية، ويتميز الترميز المكاني بالترابط في إشارة بين المواقع المجاورة في الفضاء، وهو أكثر تعقيدا من التسيّر الذاتي من جانب واحد، لأنه متعدد الأبعاد ومتعدد التوجهات.

عالم موران I ستاتسي

"العالم موران" هو مقياس تجميع البيانات المكانية عموماً، "موران" يصف كيف أن كل منطقة متشابهة مع جيرانها ويُعدّل كل هذه التقييمات،

• وتدل القيم التي تتجاوز كثيرا القيمة المتوقعة على وجود تسيّر مكاني إيجابي أو تجمع، يحدث عندما تكون المناطق المجاورة لها قيم مماثلة
• وتشير القيمة التي تقل كثيرا عن القيمة المتوقعة إلى التسيّر المكاني السلبي أو التشتّت المكاني، الذي يحدث عندما تميل المناطق القريبة من بعضها البعض إلى أن تكون لها قيم مختلفة
• القيم حول القيمة المتوقعة تشير إلى عشوائي، أي عدم وجود نمط مكاني

اختبار التسيّر المكاني في الأسواق

يمكنك اختبار التسيّر المكاني في متغير يستخدم مباشرة وظيفة من مجموعة التصفيق، ولكن عليك أولاً أن تخلق مصفوفة وزن مكاني (مناقشة بالتفصيل في القسم التالي:

# Create neighbors and weights (simplified example)
neighbors <- poly2nb(spatial_data)
weights <- nb2listw(neighbors)

# Test for spatial autocorrelation
moran.test(spatial_data$variable_name, weights)

بالنسبة لإحصاءات (موران) العالمية الأولى، الفرضية الباطلة تقول أنّ العزوم الذي يتم تحليله يتم توزيعه عشوائياً بين الملامح في مجال دراستك، عندما يكون القيمة التي تعود بها هذه الأداة ذات أهمية إحصائية، يمكنك رفض فرضية لاغية.

اختبار التأهل المكاني في حالات التراجع

ومن المهم تقييم بقايا التسيّر المكاني، حيث يفترض أن تكون مستقلة وليست مرتبطة بالعلاقة، وإذا كانت المخلفات ذات صلة آلية مكانية، فإن هذا يشير إلى أن النموذج غير مشفوع بالبطاقات، أولا، يُعد نموذجا قياسيا للإنحسار عن طريق شريان الحياة للسودان:

ols_model <- lm(dependent_var ~ independent_var1 + independent_var2,
 data = spatial_data)

ثم اختبار بقايا للتسيير المكاني باستخدام :

lm.morantest(ols_model, weights)

إذا أظهر هذا الإختبار تسيّر مكاني كبير في المخلّفات، عليك استخدام أساليب التراجع المكاني بدلاً من التراجع المعياري لـ (أورل)

Moulation for Significance Testing

محاكاة مونت كارلو هي الطريقة المفضلة للاختبارات ذات الأهمية الطريقة التي تعمل بها هي أن القيم تُخصص عشوائياً للبوليغون و موران أنا مُحْسَبَّرة، متكررة عدة مرات لتَعَيّن توزيع القيم المتوقعة، والقيمة المُلاحظة تُقارن بالتوزيع المحاكاة.

moran_mc <- moran.mc(spatial_data$variable_name, weights, nsim = 999)
moran_mc

نهج مونت كارلو قوي بشكل خاص لأنه لا يعتمد على افتراضات التوزيع ويوفر قيمة أكثر موثوقية، خاصة بالنسبة لحجم العينات الأصغر.

المؤشرات المحلية للرابطة المكانية

المؤشرات المحلية للرابطة المكانية مصممة لتقديم إشارة إلى مدى التكتلات المكانية الكبيرة للقيم المماثلة حول كل ملاحظة، بينما أنا في العالم موران أعطيك إحصائيا واحدا لكامل منطقة الدراسة، يحدد تحليل الرابطة مواقع محددة حيث تحدث تجمعات أو مواقع فضائية.

يمكنك أن تُحسبي (موران) المحلي الذي أستخدمه

local_moran <- localmoran_perm(spatial_data$variable_name, weights, nsim = 9999)
head(local_moran)

ويمكن أن تساعد الرابطة على تحديد HH (قيم عالية محاطة بالقيم العالية)، و LL (قيم منخفضة محاطة بالقيم المنخفضة)، و HL (قيم عالية محاطة بقيم منخفضة)، و LH (قيم منخفضة محاطة بقيم عالية)، وهذه المعلومات قيمة لفهم الأنماط المكانية المحلية وتحديد البؤر الساخنة أو البؤر الباردة في بياناتكم.

إنشاء مصفوفات للمرتفعات المكانية

إن مصفوفات الأوزان المكانية أساسية لتحليل الانحدار المكاني، فهي تحدد العلاقات المكانية بين الملاحظات، وتجيب أساسا على السؤال: من هم جيران كل ملاحظة؟ اختيار الأوزان المكانية يمكن أن يؤثر تأثيرا كبيرا على نتائج التحليلات الخاصة بك، لذلك من المهم اختيار طريقة مناسبة لسؤالك البحثي وهيكل البيانات.

الوزن المبني على أساس كونتيجي

وتُعرِّف الأوزان القائمة على أساس المنازعة الجيران على أنهم وحدات مكانية تتقاسم الحدود، ويُستخدم هذا النهج بشكل شائع في بيانات البوليغون مثل مساحات التعداد أو المقاطعات أو البلدان، وهناك نوعان رئيسيان من المواظبة:

• الجيران يتشاركون أي نقطة حدودية بما في ذلك الزوايا (مثل تحرك الملكة في الشطرنج)
• يجب على الجيران أن يتشاركوا حافة حدية ليس فقط زاوية (مثل حركة (روك

Create contiguity-based neighbours using the function:

# Queen contiguity (default)
neighbors_queen <- poly2nb(spatial_data, queen = TRUE)

# Rook contiguity
neighbors_rook <- poly2nb(spatial_data, queen = FALSE)

# Examine the neighbor structure
summary(neighbors_queen)

وسيبين الموجز لكم عدد المناطق وتوزيع صلات الجيران، ويحدد أي مناطق لا يوجد فيها جيران (الأراضي)، مما يتطلب مناولة خاصة.

الوزن البعيد

تحديد الأوزان المتوقفة على أساس القرب من مسافة محددة هذا النهج مفيد عندما تريد أن تلتقط العلاقات المكانية خارج نطاق الجمود المباشر أو عندما تعمل مع بيانات نقطة

# Get coordinates of centroids
coords <- st_coordinates(st_centroid(spatial_data))

# K-nearest neighbors (e.g., 4 nearest neighbors)
knn_neighbors <- knn2nb(knearneigh(coords, k = 4))

# Distance band (all neighbors within specified distance)
distance_neighbors <- dnearneigh(coords, d1 = 0, d2 = 10000) # distance in map units

عند استخدام الأوزان المرتكزة على البعد، ضمان أن تكون بياناتك في نظام تنسيق مسقط بحيث تقاس المسافات في وحدات ذات معنى (مقاسات أو أقدام) بدلا من الدرجات.

تحويل الجيران إلى مرتفعات

بمجرد أن تعرفوا هيكل الجيران، حوّلواه إلى قائمة الأوزان باستخدام هذه المهمة تسمح لكم بتحديد كيف يجب أن تكون الأوزان موحدة:

# Row-standardized weights (most common)
weights_W <- nb2listw(neighbors_queen, style = "W")

# Binary weights
weights_B <- nb2listw(neighbors_queen, style = "B")

# Variance-stabilizing coding
weights_S <- nb2listw(neighbors_queen, style = "S")

(الشكل = (W)) أكثر استخداماً لأنها تكفل أن تكون الأوزان لكل ملاحظة مبلّغ واحد، مما يجعل التفسير أكثر وضوحاً، فالوزنات الملزمة (الأسلوب = (B)) تشير ببساطة إلى ما إذا كانت الملاحظات هي الجيران (1) أو لا (0).

معالجة الجزر والملاحظات المقطعة

بعض الملاحظات قد لا يكون لها جيران تحت تعريفك المختار، خلق "الأراضي" في مصفوفة الأوزان المكانية الخاصة بك، هذا قد يسبب مشاكل في التراجع المكاني.

which(card(neighbors_queen) == 0)

وإذا كانت الجزر موجودة، فإن لديك عدة خيارات: ربطها بأقرب جار لها، واستخدام نهج قائم على البعد بدلا من ذلك، أو وضع البارامترات إلى TRUE في وظائف التحليل الخاصة بك (وإن كان ينبغي أن يتم ذلك بحذر).

الاختناق بين نماذج الأشعة العرضية والأعصاب المكانية

بمجرد أن تؤكد أن التسيّر المكاني موجود، عليك أن تقرر أي نوع من نماذج التراجع المكاني هو الأنسب لبياناتك، النوعان الرئيسيان هما نماذج النسيج المكاني ونموذج الأخطاء المكانية،

Understanding Spatial Lag Models

ويضم النموذج المُسَمَّل مكانياً التبعية المكانية صراحة بإضافة متغير " مُسَمَّل بشكل مُقَتَّم " ، على الجانب الأيمن من معادلة التراجع، وهو ما يشير أساساً إلى أن قيمك في المناطق المجاورة للمراقبة، هي تنبؤ هام يُعرف به في كل منطقة على حدة.

ويحدث الانتشار المكاني عندما تتأثر الوحدات المتقاربة المكانية مباشرة بجيرانها، والعكس بالعكس، وهو ما يمثل عملية مكانية موضوعية تؤثر فيها النتائج في مكان واحد تأثيرا مباشرا على النتائج في مواقع مجاورة، وعلى سبيل المثال، قد تؤثر معدلات الجريمة في حي ما على معدلات الجريمة في الأحياء المجاورة من خلال آثار غير مباشرة.

ويتخذ نموذج الممر المكاني الشكل التالي:

y = Wy + Xß + Y

حيث (الجو) هو البارامتر التراجعي المكاني، W هو مصفوفة الأوزان المكانية، X يحتوي على المتغيرات المستقلة، و Y هو مصطلح الخطأ.

فهم نماذج الأخطاء المكانية

ويعالج نموذج الخطأ المكاني التسيئي المكاني باعتباره مصدر إزعاج يحتاج إلى معالجة، مما يعني أن التبعية المكانية التي لوحظت لا تعكس عملية مكانية حقيقية، بل مجرد التكتلات الجغرافية لمصادر سلوك المصلحة، مثل المواطنين في الأحياء المجاورة الذين يفضلون المرشح نفسه، ليس لأنهم يتحدثون مع جيرانهم، ولكن لأن المواطنين ذوي الدخل المماثل يميلون إلى التكتلات جغرافيا.

وإذا تعذر حصر المصادر الافتراضية بإدراجها كمتغيرات تفسيرية، فإن النموذج سيظهر التبعية المكانية من حيث الخطأ، التي يمكن أن تُصاغ على غرار مصطلح خطأ مُعلَّم مكانياً، ويُستصوب نموذج الخطأ المكاني عندما ينتج الترميز المكاني عن متغيرات مُغفلة تكون في حد ذاتها مجمَّعة مكانياً.

ويتخذ نموذج الخطأ المكاني شكلاً:

Y = X + u، حيث u = ko + / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / / /

حيث (إيكو) هو البارامتر الارتجاعي المكاني لمصطلح الخطأ.

استخدام اختبارات المضاعفات اللاغرانجية للاختيار النموذجي

وتوفر اختبارات المضاعفات اللاغرانية أدوات للمساعدة على اتخاذ قرار بشأن أي من هذين النموذجين هو الأنسب، ويمكن إجراء هذه الاختبارات باستخدام وظيفة :

# Fit OLS model first
ols_model <- lm(dependent_var ~ independent_var1 + independent_var2,
 data = spatial_data)

# Run Lagrange Multiplier tests
lm.LMtests(ols_model, weights, test = "all")

وسيشمل الناتج عدة اختبارات:

• LMlag]: اختبارات التبعية المكانية للرق
• LMerr]: اختبارات التبعية للأخطاء المكانية
• RLMlag]: Robust LM test for lag (accounting for error)
• RLMerr]: Robust LM test for error (accounting for lag)

إذا كان كلاً من اللغم والليمر كبيراً، ففحصا النسختين القويتين، واختيار نموذج الترجيح المكاني إذا كان RLMlag كبيراً، وRLMerr ليس كذلك، واختيار نموذج الخطأ المكاني إذا كان RLMerr هاماً وRLMlag ليس كذلك، وإذا كان الاختباران القويان هاماً، فقد تحتاجان إلى النظر في نماذج أكثر تعقيداً أو دراسة دقيقة لمواصفات نموذجك.

برمجيات التأليف المكاني

بمجرد أن تُقرّر أنّ نموذجاً للزرق المكاني مناسب لبياناتك، يمكنك تركيبه باستخدام وظيفة من مجموعة المقاييس المكانية، يتمّ تقييم أقصى لنموذج الطول المكاني بوظيفة اللامبرل، مع الحججّات المطلوبة، كصيغة تراجع، مجموعة بيانات، وموضوع الأوزان المكانية القائمة.

النموذج الأساسي للزئبق المكاني

The syntax for fitting a spatial lag model is similar to standard regression in R:

library(spatialreg)

spatial_lag_model <- lagsarlm(dependent_var ~ independent_var1 + independent_var2,
 data = spatial_data,
 listw = weights)

summary(spatial_lag_model)

النواتج النموذجية للزراعة المكانية

وسيشمل الناتج الموجز عدة عناصر هامة:

• Rho (]: The spatial lag, aتغيير يقيِّم المتغير المعال في الجزائـر المعرَّفة على أنها تحيط بكل tract في مصفوفة الأوزان المكانية، المستخدمة كمتغير تفسيري إضافي لمراعاة التكتلات المكانية على النحو المناسب
• تقديرات مُحدَّدة : آثار متغيراتك المستقلة
• Significance tests]: Include likelihood ratio tests, z-tests, and Wald tests
• Model fit statistics]: AIC, log-likelihood, and other measures

وإذا كان المعامل المقدر للشو إيجابياً وذو أهمية إحصائية، عندما يزيد المتغير المعال في الأحياء المحيطة، في المتوسط، فإن المتغير المعال في كل حرف، حتى عندما يتكيف مع المتغيرات التفسيرية الأخرى.

تدابير التأثير الحاسوبية

وتفسير الآثار الموضوعية لكل من الناطقين في نموذج للرق المكاني أكثر تعقيدا بكثير من النموذج غير المكاني بسبب وجود المضاعف المكاني الذي يربط المتغيرات المستقلة بالمعالي، ولا يكون أثر التغيير في متغير مستقل ثابتا في جميع الملاحظات.

To properly interpret coefficients in a spatial lag model, you need to compute impact measures using the function:

impacts_lag <- impacts(spatial_lag_model, listw = weights, R = 999)
summary(impacts_lag, zstats = TRUE)

وسيوفر هذا ثلاثة أنواع من التأثيرات:

• Direct impacts]: The effect of a change in an independent variable in one location on the dependent variable in that same location
• Indirect impacts]: The effect of a change in an independent variable in one location on the dependent variable in other locations (spillover effects)
• Total impacts]: مجموع الآثار المباشرة وغير المباشرة

وتوفر تدابير التأثير هذه صورة كاملة عن كيفية تأثير التغييرات في متغيراتك المستقلة على المتغيرات المعالية محليا وعن طريق الآثار الجانبية المكانية.

برمجيات الأخطاء المكانية

عندما تشير اختبارات التشخيص الخاصة بك إلى أن نموذج الخطأ المكاني أكثر ملاءمة، يمكنك أن تلائمه باستخدام وظيفة [(FLT:37]) من مجموعة البرمجيات المكانية، والرقم القياسي متشابه جدا مع نموذج الممر المكاني:

spatial_error_model <- errorsarlm(dependent_var ~ independent_var1 + independent_var2,
 data = spatial_data,
 listw = weights)

summary(spatial_error_model)

الناتج النموذجي للخطأ المكاني

وبدلا من رو، فإن بارامتر الخطأ في الحمم هو لامبدا، وهو خطأ في الخطأ، وإذا كان إيجابيا وهام في جميع الاختبارات، فإن ذلك يدل على ضرورة التحكم في التسيّر المكاني في الخطأ.

وتشمل العناصر الرئيسية للناتج ما يلي:

• Lambda (PEC) : البارامتر التراجعي المكاني لمصطلح الخطأ
• تقديرات مُكَفَّفة : يمكن تفسير هذه التقديرات تفسيراً مباشراً، خلافاً لنموذج الرق المكاني
• اختبارات الشهادة : لكل من المعاملين والأعشاب
• Model fit statistics]: AIC, log-likelihood

وخلافاً لنموذج التلال المكاني، لا نحتاج إلى إدارة التأثيرات، وبالتالي يمكن للمعاملات أن تقارن مباشرة بمعاملات نظام رصد الأرض، وهذا يجعل التفسير أكثر وضوحاً، حيث أن المعاملات تمثل الأثر المباشر لكل متغير مستقل على المتغير المعال، مع وجود هيكل للأخطاء المكانية يُمثل التسيّر المكاني في المخلفات.

التحقق من بقاء التسيير المكاني

بعد أن تجهز إما نسيج مكاني أو نموذج خطأ مكاني من المهم التحقق من أن النموذج قد عالج بشكل كاف التسيير المكاني

# Extract residuals
residuals_spatial <- residuals(spatial_error_model)

# Test for remaining spatial autocorrelation
moran.test(residuals_spatial, weights)

إذا كان اختبار موران الأول على المخلفات لم يعد مهما، نموذجك المكاني قد استأثر بنجاح بالسيارات المكانية، إذا بقي التسيّر الذاتي كبير، قد تحتاج لإعادة النظر في مواصفات نموذجك، إضافة متغيرات إضافية، أو استكشاف نماذج مكانية أكثر تعقيدا.

التشخيص النموذجي والتحقق

ومن الضروري أن تكون التشخيصات النموذجية الوعرة صالحة وموثوقة، وينبغي تشخيص النماذج قبل الإبلاغ عنها، وهذا ينطوي على دراسة جوانب متعددة من الأداء النموذجي.

فحص الرفات

حتى بعد حساب التسيّر المكاني، يجب أن تفحصوا بقايا المشاكل المحتملة الأخرى:

# Histogram of residuals
hist(residuals(spatial_lag_model),
 main = "Distribution of Residuals",
 xlab = "Residuals")

# Q-Q plot to check normality
qqnorm(residuals(spatial_lag_model))
qqline(residuals(spatial_lag_model))

# Plot residuals against fitted values
plot(fitted(spatial_lag_model), residuals(spatial_lag_model),
 xlab = "Fitted Values", ylab = "Residuals")
abline(h = 0, col = "red")

ابحث عن أنماط في المخلفات التي قد تشير إلى التهاب أو عدم خطاوة أو مؤثرات

رسم الخرائط

ويمكن أن يكشف وضع خريطة للمخلفات عن أنماط مكانية قد لا تكون واضحة من التجارب الإحصائية وحدها:

# Add residuals to spatial data
spatial_data$residuals <- residuals(spatial_lag_model)

# Map the residuals
tm_shape(spatial_data) +
 tm_polygons("residuals",
 style = "jenks",
 palette = "RdBu",
 midpoint = 0,
 title = "Model Residuals") +
 tm_layout(legend.outside = TRUE)

ومن الناحية المثالية، ينبغي ألا تظهر المخلفات نمطاً مكانياً واضحاً، وتوحي مجموعات من المخلفات العالية أو المنخفضة أن النموذج قد يكون مفرطاً أو ناقصاً في التنبؤ بصورة منهجية في بعض المجالات.

مقارنة الأداء النموذجي

مقارنة نموذج التراجع المكاني الخاص بك إلى نموذج خط الأساس لبرمجيات المصدر المفتوح وربما إلى مواصفات مكانية بديلة:

# Compare AIC values (lower is better)
AIC(ols_model)
AIC(spatial_lag_model)
AIC(spatial_error_model)

# Compare log-likelihoods
logLik(ols_model)
logLik(spatial_lag_model)
logLik(spatial_error_model)

والنموذج الذي يحتوي على أدنى مستوى من المعلومات المسبقة عن علم وأعلى أشكال التسجيل يوفر عموما أفضل ما يناسب البيانات، وإن كان ينبغي أن تنظر أيضا في التبرير النظري وإمكانية التفسير.

التحقق من الملاحظات المؤثرة

تحديد الملاحظات التي لها تأثير غير متناسب على نتائج نموذجك:

# Cook's distance for OLS model
cooks_d <- cooks.distance(ols_model)
plot(cooks_d, type = "h", main = "Cook's Distance")
abline(h = 4/nrow(spatial_data), col = "red", lty = 2)

# Identify influential observations
influential 4/nrow(spatial_data))
print(influential)

التحقيق في الملاحظات ذات التأثير لتحديد ما إذا كانت تمثل أخطاء في البيانات، أو أخطاء حقيقية، أو حالات هامة ينبغي أن يستوعبها نموذجك.

تقنيات التراجع المكاني المتقدمة

وإلى جانب نماذج الطول المكاني والأخطاء المكانية الأساسية، يمكن لعدة تقنيات متقدمة أن تعالج عمليات فضائية وهياكل بيانات أكثر تعقيدا.

نموذج دوربين المكاني

ويتضمن نموذج دوربين المكاني متغيراً معالياً ومتغيرات مستقلة مُعلَّقة مكانياً، مما يتيح وضع نماذج أكثر مرونة للمخلفات المكانية:

spatial_durbin_model <- lagsarlm(dependent_var ~ independent_var1 + independent_var2,
 data = spatial_data,
 listw = weights,
 type = "mixed")

summary(spatial_durbin_model)

ويتيح هذا النموذج لكم اختبار ما إذا كانت الآثار غير المباشرة تختلف عبر المتغيرات المستقلة ويمكن أن توفر معلومات عن العوامل التي تولد عوامل خارجية مكانية.

الانحسار الجغرافي

(ج) يتيح التراجع الجغرافي لمعاملات التراجع أن تتباين عبر الفضاء، وأن تعالج التباين المكاني في العلاقات، وفي حين أنه لا يوجد نموذج للتراجع المكاني بالمعنى نفسه للخط الفاصلي أو نماذج الخطأ، فإن GWR قيمة عندما تشك في أن العلاقات بين المتغيرات تختلف في مجال الدراسة:

library(spgwr)

# Determine optimal bandwidth
bandwidth <- gwr.sel(dependent_var ~ independent_var1 + independent_var2,
 data = spatial_data,
 coords = st_coordinates(st_centroid(spatial_data)))

# Fit GWR model
gwr_model <- gwr(dependent_var ~ independent_var1 + independent_var2,
 data = spatial_data,
 coords = st_coordinates(st_centroid(spatial_data)),
 bandwidth = bandwidth)

نماذج الفريق المكاني

وعندما تكون لديكم بيانات مكانية ملاحظاً على مدى فترات زمنية متعددة، تجمع نماذج الأفرقة المكانية بين الأبعاد المكانية والزمنية، وتوفر مجموعة التعبئة مهام لمواءمة مختلف مواصفات الأفرقة المكانية:

library(splm)

# Spatial panel lag model
spatial_panel <- spml(dependent_var ~ independent_var1 + independent_var2,
 data = panel_data,
 listw = weights,
 model = "within",
 spatial.error = "none",
 lag = TRUE)

نتائج تقديم التقارير والإبلاغ

إن تقديم نتائج الانحدار المكاني بشكل واضح أمر أساسي لإبلاغ نتائجكم بفعالية إلى الجمهور التقني وغير التقني على حد سواء.

إنشاء جداول للنشر والأهلية

عدة مجموعات من الـ "آر" يمكنها مساعدتك في إنشاء جداول تراجع مهنية، مجموعة "ستارجزر" مفيدة بشكل خاص لمقارنة النماذج المتعددة:

library(stargazer)

stargazer(ols_model, spatial_lag_model, spatial_error_model,
 type = "text", # use "html" or "latex" for publication
 title = "Comparison of Regression Models",
 column.labels = c("OLS", "Spatial Lag", "Spatial Error"),
 model.numbers = FALSE)

ولمزيد من التكوين الحديث للجدول، النظر في مجموعة النماذج النهائية:

library(modelsummary)

models <- list("OLS" = ols_model,
 "Spatial Lag" = spatial_lag_model,
 "Spatial Error" = spatial_error_model)

modelsummary(models,
 stars = TRUE,
 gof_map = c("nobs", "aic", "logLik"))

الآثار المكانية الافتراضية

وتشكل الخرائط أدوات قوية لإبلاغ نتائج الانحدار المكاني.

• القيم المتحفظة للمتغير المعال
• القيم المدبرة من نموذجك
• Residuals (observed minus predicted)
• التأثيرات المحلية (للمناذج الزرق المكاني)

# Add predictions to spatial data
spatial_data$predicted <- fitted(spatial_lag_model)

# Create side-by-side maps
tm_shape(spatial_data) +
 tm_polygons(c("dependent_var", "predicted"),
 style = "quantile",
 palette = "YlOrRd",
 title = c("Observed", "Predicted")) +
 tm_layout(legend.outside = TRUE)

الإبلاغ عن نتائج التراجع المكاني

عند كتابة نتائج التراجع المكاني، تأكد من أن تشمل:

• وصف مصفوفة الأوزان المكانية المستخدمة ومبررات الاختيار
• نتائج تشخيص التسيّر المكانيّ (اختبارات (موران الأولى، إل إم
• مقارنة نماذج الارتداد المكاني والتراجع المكاني
• تقديرات فعالة مع أخطاء قياسية ومستويات مغزى
• بالنسبة لنماذج الأزرق المكانية، والآثار المباشرة وغير المباشرة، والإجمالية
• إحصاءات نموذجية مناسبة (الإنكليزية والمثلية في مجال قطع الأشجار، مربوطة إذا كانت متاحة)
• مناقشة التشخيصات المتبقية والتحقق من النموذج
• خرائط النتائج الرئيسية أو صورها الأخرى

الرواسب المشتركة وأفضل الممارسات

ومن أهم جوانب النموذج الاختيار المتغير، ولن يكون النموذج المغفل أي فائدة، مهما كان مقدار ما تفعله لتصحيح التسيير المكاني، وهنا تعتبر الاعتبارات الرئيسية لتحليل الانحدار المكاني الناجح:

الاختيارات المتغيرة والمواصفات النموذجية

يمكن أن ينجم الترميز المكاني عن المتغيرات المنبعثة قبل اللجوء إلى التراجع المكاني، ضمان أن تكون قد أدرجت جميع المتغيرات ذات الصلة نظرياً في نموذجك، إذا استمر الترميز المكاني لأنه لا توجد بيانات متاحة أو لأنه ليس لديك أي دليل على المتغير الذي يجب البحث عنه، يمكنك محاولة وضع نموذج تراجعي يتحكم في التصفح المكاني.

عينات الحجم

وينبغي أن تتضمن فئة المدخلات 30 سمة على الأقل، حيث لن تكون النتائج موثوقة بأقل من 30 سمة، وتتطلب نماذج التراجع المكاني أحجاماً كافية من العينات لإنتاج تقديرات مستقرة، لا سيما عند تقدير البارامترات الارتدادية المكانية.

اختيار الوزن المكاني المناسب

إن اختيار مصفوفة الأوزان المكانية يمكن أن يؤثر تأثيرا كبيرا على نتائجكم، ويبرر دائما اختياركم على أساس نظرية وطبيعة بياناتكم، وينظر في اختبار المواصفات المتعددة وتحليلات حساسية الإبلاغ لإثبات أن استنتاجاتكم قوية بالنسبة لتعاريف مختلفة للوزن المكاني.

تفسير السخرية

كما أن نماذج الانحدار المكاني، مثل جميع نماذج الانحدار، تحدد الرابطات بدلا من العلاقات السببية، وتتوخى الحذر بشأن المطالبات السببية، ولا سيما مع نماذج الطول المكاني التي يمكن أن تعقّد فيها التحفيز، ولا يعني وجود الترميز المكاني بالضرورة عملية مكانية، بل قد تعكس ببساطة متغيرات مغفلة مجمدة مكانيا.

معالجة آثار الإدج

ويمكن أن تُحيّز التدابير العالمية بسبب آثار الحافة التي تقع فيها عناصر عملية مكانية هامة خارج مجال الدراسة، وكونوا على علم بأن الملاحظات على حواف مجال دراستكم قد تكون غير كاملة من مجموعات الجيران، وربما تكون نتائج متحيزة، وبحثوا ما إذا كانت حدود منطقة الدراسة مناسبة لسؤالكم البحثي.

نموذج عملي: تدفق كامل للعمل

هنا مثال كامل على سير العمل يجمع بين كل الخطوات التي نوقشت في هذا الدليل:

# Load required packages
library(sf)
library(spdep)
library(spatialreg)
library(tmap)

# 1. Load and prepare data
spatial_data <- st_read("your_data.shp")
spatial_data <- st_transform(spatial_data, crs = 32618) # UTM Zone 18N

# 2. Explore data
summary(spatial_data)
tm_shape(spatial_data) +
 tm_polygons("dependent_var", style = "quantile", palette = "YlOrRd")

# 3. Create spatial weights
neighbors <- poly2nb(spatial_data, queen = TRUE)
weights <- nb2listw(neighbors, style = "W")

# 4. Fit OLS model and test for spatial autocorrelation
ols_model <- lm(dependent_var ~ independent_var1 + independent_var2,
 data = spatial_data)
lm.morantest(ols_model, weights)

# 5. Run Lagrange Multiplier tests
lm.LMtests(ols_model, weights, test = "all")

# 6. Fit spatial lag model
spatial_lag_model <- lagsarlm(dependent_var ~ independent_var1 + independent_var2,
 data = spatial_data,
 listw = weights)
summary(spatial_lag_model)

# 7. Compute impacts
impacts_lag <- impacts(spatial_lag_model, listw = weights, R = 999)
summary(impacts_lag, zstats = TRUE)

# 8. Check residuals
moran.test(residuals(spatial_lag_model), weights)

# 9. Map residuals
spatial_data$residuals <- residuals(spatial_lag_model)
tm_shape(spatial_data) +
 tm_polygons("residuals", style = "jenks", palette = "RdBu", midpoint = 0)

# 10. Compare models
AIC(ols_model, spatial_lag_model)

الموارد الإضافية والتعلم الإضافي

إن الانحدار المكاني هو مجال غني ومتطور، ولزيادة فهمكم والاستمرار في اتباع أفضل الممارسات، النظر في استكشاف هذه الموارد:

الموارد على الإنترنت

• R-Spatial] - مورد شامل لعلوم البيانات المكانية مع R
• Spatial Data Science with R] - Tutorials and documentation for spatial analysis
• Geo computation with R] - Free online book covering spatial data analysis
• Spatial Statistics for Data Science] - Modern approaches to spatial analysis
• CRAN Task View: Analysis of Spatial Data - Comprehensive list of R packages for spatial analysis

مجموعات رئيسية من طراز R

مواصلة تحديث آخر التطورات في هذه المجموعات الأساسية:

• sf] - سمات بسيطة ل R، المعيار الحديث لبيانات النواقل المكانية
• spdep] - التبعية المكانية: مخططات الترجيح، الإحصاءات، النماذج
• spatialreg] - تحليل الانحدار المكاني
• tmap] - الخرائط المواضيعية في R
• mapview] - Interactive viewing of spatial data
• spgwr] - الانحدار المرجح جغرافياً
• splm] - نماذج بيانات الفريق المكاني

القراءة الموصى بها

وللأسس النظرية والتقنيات المتقدمة، يرجى الرجوع إلى هذه النصوص الموثوقة:

• Anselin, L. (1988). "Spatial Econometrics: Methods and Models" - Classic text on spatial econometrics
• Bivand, R., Pebesma, E., & Gómez-Rubio, V. (2013). " Applied Spatial Data Analysis with R " - Comprehensive guide to spatial analysis in R R.
• LeSage, J., & Pace, R. K. (2009). " Introduction to Spatial Econometrics " - Modern treatment of spatial regression
• Cressie, N. (1993). "Statistics for Spatial Data" - Theoretical foundations of spatial statistics

خاتمة

ويشمل تنفيذ التراجع المكاني في R تدفق العمل المنهجي: إعداد واستكشاف البيانات المكانية، وخلق مصفوفات ملائمة للوزن المكاني، واختبار الترميز المكاني، والاختيار بين اللف المكاني ونماذج الأخطاء المكانية، وتكييف النموذج المختار، والتحقق بشكل شامل من النتائج من خلال عمليات التشخيص، وترتيب هذه الخطوات لتمكين الباحثين من الكشف عن المعالين المكانية وتحسين تحليلهم للبيانات ذات الصلة جغرافيا عبر مختلف الميادين، بما في ذلك التخطيط الحضري، والأوبئة، والعلوم البيئية.

مفتاح تحليل الانحدار المكاني الناجح ليس فقط في الكفاءة التقنية مع R، ولكن في النظر المدروس في العمليات المكانية التي تقوم عليها بياناتك، دائما ما ترسم خياراتك المنهجية نظريا، وتثبت بدقة من نماذجك وتفسر النتائج في سياق الظواهر المكانية والموضوعية التي تدرسها، وباتباع تدفق العمل الشامل المبين في هذا الدليل، ستكون مجهزة تجهيزا جيدا لإجراء تحليلات دقيقة للتراجع المكاني تساعد على فهم المكاني المعقد.

تذكر أن الانحدار المكاني هو مجال نشط من مجالات التطوير المنهجي، وبقي مع مجتمع البحوث، والإبقاء على مجموعات النتائج الخاصة بك، ومواصلة التعلم بشأن التقنيات الجديدة وأفضل الممارسات مع تطور الميدان، وسيحقق الاستثمار في تطوير هذه المهارات أرباحا في نوعية وتأثير تحليل البيانات المكانية.