Análise de Regressão com Dados Espaciais: Uma Breve Introdução

Apresentação em tema: "Análise de Regressão com Dados Espaciais: Uma Breve Introdução"— Transcrição da apresentação:

1 Análise de Regressão com Dados Espaciais: Uma Breve Introdução
Análise Espacial de Dados Geográficos SER

2 Material Elaborado por
Virginia Ragoni, INPE Flávia Feitosa, INPE Revisado em 2010: Antônio Miguel V. Monteiro Revisado em : Flávia Feitosa

3 Análise de Regressão Análise de regressão é uma ferramenta estatística que utiliza a relação entre duas ou mais variáveis tal que uma variável possa ser explicada (variável resposta/ dependente) pela outra ou outras (variáveis indicadoras/ preditoras/ explicativas/ independentes). Y = aX + b NETER J. et al. Applied Linear Statistical Models. Boston, MA: McGraw-Hill, 1996.

4 Exemplos Alunos Criminalidade (+) X Renda (-), Investimentos (-)
Longevidade (+) X Escolaridade (+), Renda (+) ...

5 Objetivos da Análise de Regressão
Determinar como duas ou mais variáveis se relacionam. Estimar a função que determina a relação entre duas variáveis. Usar a equação para projetar/estimar valores futuros da variável dependente. Lembrete importante: A existência de uma relação estatística entre a variável resposta Y e a variável explicativa X não implica na existência de uma relação causal entre elas.

6 Diagrama de Dispersão Os dados para a análise de regressão são da forma: (x1, y1), (x2, y2), ..., (xi, yi), ... (xn, yn) Com os dados constrói-se o diagrama de dispersão. Este deve exibir uma tendência linear para que se possa usar a regressão linear. Ou seja, o diagrama permite decidir empiricamente se um relacionamento linear entre X e Y deve ser assumido.

7 Diagrama de Dispersão Sugerem uma regressão/relação não linear. Assim, a relação entre as variáveis poderá ser descrita por uma equação não linear.

8 Diagrama de Dispersão Sugerem uma regressão/relação linear. Assim, a relação entre as variáveis poderá ser descrita por uma equação linear.

9 Diagrama de Dispersão Por análise do diagrama de dispersão pode-se também concluir (empiricamente) se o grau de relacionamento linear entre as variáveis é forte ou fraco, conforme o modo como se situam os pontos ao redor de uma reta imaginária que passa através da concentração de pontos.

10 Diagrama de Dispersão Existência de correlação linear positiva: em média, quanto maior o X, maior será o Y Existência de correlação linear negativa: em média, quanto maior o X, menor será o Y

11 Modelos de Regressão Um modelo de regressão contendo somente uma variável preditora é denominado modelo de regressão simples. Um modelo com mais de uma variável preditora é denominado modelo de regressão múltiplo.

12 Regressão Linear Simples
onde: Yi é o valor da variável resposta na i-ésima observação; 0 e 1 são parâmetros; Xi é uma constante conhecida; é o valor da variável preditora na i-ésima observação; i é um termo de erro aleatório com média zero e variância constante 2 (E(i)=0 e 2 (i)= 2 ) i e j são não correlacionados (independentes) para i  j (2 (i,j)= 0 )

13 Modelo de Regressão Linear
Inclinação Populacional Intercepto Erro Aleatório Variável Preditora Variável Resposta Yi=0+1Xi +i Yi i X Y b0 1 Coeficiente angular Y = E(Y) = 0 + 1 X Ŷi=b0+b1Xi i =Yi-Ŷi Modelo estimado Resíduo

14 Significado de 0 e 1 Os parâmetros 0 e 1 são denominados coeficientes de regressão: 1 é a inclinação da reta de regressão. Ela indica a mudança na média de Y quando X é acrescido de uma unidade. 0 é o intercepto em Y da equação de regressão (é o valor de Y quando X = 0.) 0 só tem significado se o modelo incluir X = 0. X

15 0  x x+1 x=1 y yi = 0 + 1xi 0 (intercepto); quando a região experimental inclui X=0, 0 é o valor da média da distribuição de Y em X=0, cc, não tem significado prático como um termo separado (isolado) no modelo; 1 (inclinação) expressa a taxa de mudança em Y, isto é, é a mudança em Y quando ocorre a mudança de uma unidade em X. Ele indica a mudança na média da distribuição de probabilidade de Y por unidade de acréscimo em X. Fonte: Slide de Paulo José Ogliari, Informática, UFSC. Em

16 Premissas Distribuição Normal Para um valor fixo da variável aleatória X, Y é uma variável aleatória com distribuição Normal (com média e variâncias finitas); Yi ~ N(E(y/x); σ2) 2) Linearidade Todos os valores médios de Y (E(y/x)=μY/x) permanecem sobre uma reta, para um particular valor de X. E(y/x)=μy/x = 0 + 1x

17 Os valores de Yi e Yj são estatisticamente independentes.
Premissas 3) Independência Os valores de Yi e Yj são estatisticamente independentes. 4) Homocedasticidade A variância de Y é igual, qualquer que seja X.

18 Modelos de Regressão A figura mostra a distribuição de Y para vários valores de X. Mostra onde cai a observação Y1. Mostra que o erro é a diferença entre Y1 e E(Y1). Observe que as distribuições de probabilidade apresentam a mesma variabilidade. Fonte: Slide de Paulo José Ogliari, Informática, UFSC. Em

19 Resumo da situação: para qualquer valor Xi, a média de Yi é i = 0 + 1Xi. As médias estão sobre a linha reta para todos os valores de X. Devido aos erros aleatórios, os valores de Yi se distribuem ao redor da reta. Fonte: Slide de Paulo José Ogliari, Informática, UFSC. Em

20 Regressão Linear Múltipla
Yi=0+1Xi1 + 2Xi2 +…+ pXip + i Yi é o valor da variável resposta na i-ésima observação 0, …, p são parâmetros Xi1 ,…,Xip são os valores das variáveis preditoras na i-ésima observação i é um termo de erro aleatório com distribuição normal, média zero e variância constante 2 (E(i )=0 e 2 (i )= 2 ) i e j são não correlacionados (independentes) para i  j

21 Superfície de Resposta: Função de Regressão na Regressão Linear Múltipla
0 Plano de resposta • (1,33;1,67) E(Yi) = 20,00 Yi i Fonte: Slide de Paulo José Ogliari, Informática, UFSC. Em

22 Significado dos Coeficientes de regressão: 0, 1, 2,.., p
O parâmetro 0 é o intercepto do plano de regressão. Se a abrangência do modelo inclui X1=0 e X2=0 então 0=10 representa a resposta média E(Y) neste ponto. Em outras situações, 0 não tem qualquer outro significado como um termo separado no modelo de regressão. Fonte: Slide de Paulo José Ogliari, Informática, UFSC. Em

23 Significado dos Coeficientes de regressão: 0, 1, 2,.., p
Parâmetro 1 indica a mudança na resposta média E(Y) por unidade de acréscimo em X1 quando X2 é mantido constante. Da mesma forma 2 indica a mudança na resposta média por unidade de aumento em X2 quando X1 é mantido constante. “Ceteris Paribus” Fonte: Slide de Paulo José Ogliari, Informática, UFSC. Em

24 Significado dos Coeficientes de regressão: 0, 1, 2,.., p
Quando o efeito de X1 sobre a resposta média não depende de X2 e vice-versa, e assim, para cada X de [1 a p], dizemos que as variáveis preditoras tem efeito aditivo ou não interagem. Se temos somente X1 e X2 por exemplo, dizemos que temos um modelo de primeira ordem sem interação. Fonte: Adaptado de Slide de Paulo José Ogliari, Informática, UFSC. Em

25 Outros modelos de regressão
Modelo quadrático ou de 2º grau Não é uma linha reta, mas permanece linear nos parâmetros  mesmos métodos são aplicáveis Pode ser linearizado: X2 = (X1)2 Fonte: Adaptado de Slide de Paulo José Ogliari, Informática, UFSC. Em

26 Outros modelos de regressão
Modelo de crescimento logístico (X=tempo) Modelo não linear nos parâmetros Necessita de métodos para modelos não-lineares Fonte: Adaptado de Slide de Paulo José Ogliari, Informática, UFSC. Em

27 Superfície de Resposta
Fonte: Adaptado de Slide de Paulo José Ogliari, Informática, UFSC. Em

28 Estimação dos parâmetros
Em geral não se conhece os valores de 0 e 1 . Eles podem ser estimados através de dados obtidos por amostras. O método utilizado na estimação dos parâmetros é o método dos mínimos quadrados, o qual considera os desvios dos Yi de seu valor esperado (E(Yi )): i = Yi – (0 + 1 Xi)

29 Estimação dos parâmetros
Em particular, o método dos mínimos quadrados requer que a soma dos n desvios quadrados, denotado por Q, seja mínima:

30 Estimação dos parâmetros
Para minimizar Q (soma dos desvios quadrados): Q deve ser derivado em relação a 0 e 1: Com derivadas parciais igualadas à zero, obtêm-se os valores estimados de 0 e 1: Teorema de Gauss Markov

31 Inferência Testando se a inclinação é zero.
Construir intervalos de confiança para : Teste de hipótese para : - + t1-a/2;n-2 tn-2 -t1-a/2;n-2 a/2 Studentized statistic (b1 – beta1)/s{b1}  distribuição t(n-2) Se = 0 , significa que não há correlação entre X e Y. Rejeitar , significa que o modelo que inclui X é melhor do que o modelo que não inclui X mesmo que a linha reta não seja a relação mais apropriada.

32 Inferência Construir intervalos de confiança para : Média: Variância
estimada: Distribuição da estatística studentizada (σ é desconhecido) Studentized statistic (b1 – beta1)/s{b1}  distribuição t(n-2) Intervalo de confiança

33 Inferência 2. Teste estatístico formal: feito de maneira padrão usando a distribuição de Student - + t1-a/2;n-2 tn-2 -t1-a/2;n-2 a/2 Studentized statistic (b1 – beta1)/s{b1}  distribuição t(n-2)

34 Inferência De forma semelhante testa-se é zero
Se a hipótese nula = 0 não for rejeitada, pode-se excluir a constante do modelo, já que a reta inclui a origem.

35 Análise de Variância da Regressão

36 Inferência: Análise de Variância
Desvio Total Desvio Explicado pelo Modelo Desvio Não-explicado pelo Modelo Elevando-se ao quadrado os dois lados da igualdade e fazendo-se a soma para todas as observações de uma determinada amostra tem-se que: Soma de quadrados total (SQT) Soma de quadrados devido ao modelo (SQM) Soma de quadrados devido aos resíduos (SQR)

37 Particionando a soma dos quadrados
Se SQT=0, então todas as observações Y são iguais. Quanto maior for SQT, maior será a variação entre os Y´s. SQT é uma medida da variação dos Y´s quando não se leva em consideração a variável independente X. Se SQR = 0, então as observações caem na linha de regressão. Quanto maior SQR, maior será a variação das observações Y ao redor da linha de regressão. Se a linha de regressão for horizontal, de modo que então SQM = 0.

38 Particionando a Soma de Quadrados
SQT = SQM + SQR. Um modo de se saber quão útil será a linha de regressão para a predição é verificar quanto da SQT está na SQM e quanto está na SQR. Idealmente, gostaríamos que SQM fosse muito maior que SQR. Gostaríamos, portanto, que fosse próximo de 1.

39 Coeficiente de determinação
Uma medida do efeito de X em reduzir a variabilidade do Y é: Note que: 0  R2  1 R2 é denominado coeficiente de determinação. Em um modelo de regressão simples, o coeficiente de determinação é o quadrado do coeficiente de correlação (r) entre Y e X. Note que em um modelo de regressão simples

40 Coeficiente de determinação
Temos dois casos extremos: R2 = todas as observações caem na linha de regressão ajustada. A variável preditora X explica toda a variação nas observações. R2 = 0 isto ocorre quando b1 = 0. Não existe relação linear em Y e X. A variável X não ajuda a explicar a variação dos Yi .

41 Tabela ANOVA - F Graus de Liberdade (df) Soma dos quadrados (SQ)
Quadrado médio QM=SQ/df Razão da variância Regressão(X) Residuo 1 (p-1) 28 (n-p) SQT-SQR= SQM= SQR= (QMModelo) 299.77 (QMResíduo) 21.33(p<0.001) Total 29 (n-1) SQT = P=número de parâmetros (bo e b1)  Quadrado médio do Resíduo (QMR) é um estimados nao tendencioso da variância dos erros no modelo de regressão. SQT, gl = n-1, 1 grau de liberdade é perdido porque a média da amostra é usada para estimar a média populacional

42 Inferência – Teste F (Adequação Global)
onde Fc ~ F p-1, n-p MQM= média dos quadrados do modelo / MQR = média dos quadrados do resíduo F for próximo de 1 confirma H0 // F muito alto confirma Ha Se F*> F(; p-1,n-p), rejeitamos a hipótese nula, caso contrário, aceitamos a hipótese.

43 Inferência – Teste F Parcial
Compara um modelo reduzido com um modelo completo Modelo completo Y =0+1X1+...pXp+*X* Modelo reduzido Y =0+1X1+...pXp Ha: X* melhora significativamente a predição de Y, dado que X1, X2,...Xp já estão no modelo MQM= média dos quadrados do modelo / MQR = média dos quadrados do resíduo F for próximo de 1 confirma H0 // F muito alto confirma Ha Compara as somas de quadrados dos erros do modelo completo (SQR(C)) e reduzido (SQR(R)). O modelo reduzido é adequado (não rejeita H0) se SQR(C) não for muito menor que (SQR(R))

44 Etapas da Análise de Regressão
Seleção e preparação das variáveis Transformações podem ser necessárias  para linearizar relações

45 Transformações para não linearidade do modelo
Transformações quando a distribuição dos erros é aproximadamente normal e com variância constante. Deve-se realizar uma transformação apenas na variável X. Padrões de relação entre X e Y: Fonte: Slide de Paulo José Ogliari, Informática, UFSC. Em

46 Etapas da Análise de Regressão
Seleção e preparação das variáveis Transformações podem ser necessárias  para linearizar relações Analisar multicolinearidade  aumenta DP dos coeficientes estimados ) Escolha e ajuste do modelo de regressão Diagnóstico para verificar se o modelo ajustado é adequado

47 Análise dos Resíduos Linearidade do modelo
Se modelo for adequado, resíduos devem refletir as propriedades impostas pelo termo de erro do modelo. Linearidade do modelo Não Linearidade X Resíduo

48 Análise dos Resíduos Normalidade dos resíduos: Suposição essencial para que os resultados do ajuste do modelo sejam confiáveis Outros diagnósticos: Shapiro-Wilk, Anderson-Darling, Kolmogorov-Smirnov

49 Gráfico resíduos vs. valores ajustados
Análise dos Resíduos Homocedasticidade (variância constante) Gráfico resíduos vs. valores ajustados X Variância Não Constante Resíduo Outros diagnósticos: Teste de Breusch-Pagan, Goldfeld-Quandt

50 Análise dos Resíduos Presença de outliers
Gráfico resíduos padronizados vs. valores ajustados Pontos influentes: DFFITS, DFBETA, Distância de Cook

51 Análise dos Resíduos Independência
X Erros Correlacionados Resíduo Outros diagnósticos: Teste de Durbin-Watson Autocorrelação espacial: Mapa dos resíduos, Índice de Moran

52 Análise dos Resíduos Modelo Adequado Resíduo X

53 Análise dos Resíduos DADOS ESPACIAIS
Caso a hipótese de independência 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).

54 Análise dos Resíduos Como verificar?
Medir a autocorrelação espacial dos resíduos da regressão (ex. Índice de Moran dos resíduos)

55 Crescimento Populacional 91-00 X Densidade Populacional 91
Exemplo São José dos Campos Crescimento Populacional X Densidade Populacional 91 Mapear os resíduos da regressão – índícios de correlação Índice de Moran sobre mapa de resíduos I=0,45 Testes de pseudo-significância indicam autocorrelação espacial

56 Autocorrelação Espacial Constatada!!!
As observações não são independentes espacialmente. Portanto... temos uma violação das nossas premissas (violação do MMQ). Dependendo da natureza da dependência, parâmetros estimados por mínimos quadrados será ineficiente ou inconsistente. E agora? Modelos de regressão que incorporam efeitos espaciais

57 Regressão Espacial 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 (queen, rook...) ou distância (k vizinhos mais próximos...)

58 Regressão Espacial Podem ser globais ou locais
Globais: inclui no modelo de regressão um parâmetro/elemento para capturar a estrutura de autocorrelação espacial Locais: parâmetros variam continuamente no espaço

59 Global vs. Local 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.

60 Modelos com Efeitos Espaciais Globais
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)

61 Spatial Lag Model (LAG)
Hipótese a variável Yi é afetada pelos valores da variável resposta nas áreas vizinhas a i: Y = WY + X +   = coeficiente espacial autoregressivo - medida de correlação espacial  = 0, se autocorrelação é nula (hipótese nula) W = matriz de proximidade espacial WY expressa a dependência espacial em Y Exemplo: Valor dos imóveis

62 Spatial Error Model (CAR)
Hipótese: 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.

63 Spatial Error Model (CAR)
Modelo: Y = X +   = W  + ξ W = erro com efeitos espaciais  = medida de correlação espacial ξ = componente do erro com variância constante e não correlacionada.

64 Spatial Lag Model X Spatial Error Model
Diagnóstico: 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 /missing error LM-Error: testes para dependência em relação aos resíduos nas áreas vizinhas - error dependence / missing lag Auxilia na escolha de um modelo ou outro !

65 Spatial Lag Model X Spatial Error Model
Motivações diferentes, porém próximos em termos formais. Premissa: processo espacial analisado é estacionário e pode ser capturado em um único parâmetro.

66 Spatial Lag Model X Spatial Error Model
Porém isto nem sempre é verdade! Verificar se padrões diversos de associação espacial estão presentes. Uma Solução Exploratória: Indicadores Locais de Autocorrelação Espacial

67 Indicadores Locais de Variabilidade Espacial
distribuição dos valores de correlação local para o índice de exclusão Não significantes p = [95% (1,96s)] p = [99% (2,54s)] p = [99,9% (3,2s)] % Exclusão

68 Modelos com Efeitos Espaciais Locais
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)

69 Regimes Espaciais A idéia é regionalizar a área de estudo obtendo sub-regiões com seu padrão próprio. Realizar regressões separadas para cada sub-região. Utilizam-se variáveis preditoras para classificar os subconjuntos para Ind =1 para Ind=2 para Ind=3 Esses valores são estimados conjuntamente em um modelo de regressão usando as variáveis preditoras

70 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

71 Regimes Espaciais x Regiões Administrativas

72 Impacto de Regimes Espaciais
Análise de Regressão Idosos = f ( Domicílios Sem Esgoto) Regressão Linear R2 = 0,35 Regressão Espacial Regiões Adm (R2 = 0,72) Regimes Espaciais (R2 = 0,83) Para dados socioeconômicos: modelo de regimes espaciais tende a apresentar resultados melhores que os de regressão simples ou de regressão espacial com efeitos globais.

73 Diagnóstico de modelos de efeitos espaciais
Análise gráfica dos resíduos Mapear os resíduos – concentração de resíduos negativos ou positivos em parte do mapa indica presença de autocorrelação espacial Índice de Moran dos resíduos Indicadores de qualidade de ajuste dos modelos baseados no coeficiente de determinação (R2) serão incorretos. Utilização do AIC – critério de informação de Akaike, a avaliação do ajuste é penalizada por função do # de parâmetros

74 Comparação das regressões para SP
Longevidade X renda Regressão simples Spatial Lag Regimes espaciais (3) R2 ajustado 0.280 0.586 0.80 Log verossimilhança (LIK) AIC 379.84 306.51 260.09 Indice Moran dos resíduos 0.620 0.020

75 GWR – Geographically Weighted Regression
Ajusta um modelo de regressão a cada ponto observado, ponderando todas as demais observações como função da distância a este ponto. Y(s) = (s)X +  Y(s): variável que representa o processo no ponto s. (s): parâmetros estimados no ponto s. Quantitative Geography; A. S. Fotheringham, C. Brunsdon, M. Charlton, 2000 (print 2004)

76 GWR – Geographically Weighted Regression
y = b0 + b1x1 + e  regressão simples com um preditor b0 , b1 é o mesmo para toda área Se existe alguma variação geográfica na relação essa variação fica incluída como erro.

77 GWR – Geographically Weighted Regression
y(u,v) = b0(u,v) + b1(u,v) x1 + e(u,v)  GWR b0(u,v), b1(u,v)  para cada ponto 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 poderada 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)

78 GWR – Geographically Weighted Regression
FUNÇÃO DE PONDERAÇÃO LARGURA DE BANDA Adaptado de: Fotheringham, A.S., Brunsdon, C., and Charlton, M.E., 2002, Geographically Weighted Regression: The Analysis of Spatially Varying Relationships, Chichester: Wiley.

79 Ajuste do Modelo GWR 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 AIC, que leva em consideração a complexidade do modelo.

80 GWR – Geographically Weighted Regression
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)

81 GWR – Geographically Weighted Regression
Ex: Crescimento Pop. (resposta) X Densidade Pop. (preditora) Mapa de resíduos (I = 0,04) :

82 GWR – Geographically Weighted Regression
Consumo de Água per Capita (resposta) X Renda per capita(preditora) Distribuição espacial de consumo residencial de água e renda da população em 2010. Fonte: SNIS (2010) e IBGE (2010). 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 Bento Gonçalves, RS.

83 GWR – Geographically Weighted Regression
Consumo de Água per Capita (resposta) X Renda per capita(preditora) MODELO DE REGRESSÃO LINEAR GLOBAL 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 Bento Gonçalves, RS.

84 GWR – Geographically Weighted Regression
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 Água no Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de Bento Gonçalves, RS.

85 GWR – Geographically Weighted Regression
Consumo de Água per Capita (resposta) X Renda per capita(preditora) Os menores coeficientes estimados para a variável RENDA foram observados em municípios do Estado do Rio Grande do Sul e os maiores em Alagoas. 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 Bento Gonçalves, RS.

86 GWR – Geographically Weighted Regression
Consumo de Água per Capita (resposta) X Renda per capita(preditora) De maneira geral, as regiões apresentadas na 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. 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 consumo de bens essenciais como a água e maior no consumo de bens de outra natureza. 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 Bento Gonçalves, RS.

87 GWR – Geographically Weighted Regression
Outros modelos GWR Regressão Poisson (GWPR) Regressão Logística (GWLR)

88 Softwares para o Curso R, aRT + TerraView Com
É possível testar tudo que vimos nestes slides! Um tutorial está disponível na Wiki R-Spatial Project:

89 Outros Tutoriais Spatial Regression Analysis: A Workbook (Luc Anselin): Fitting and Interpreting Spatial Regression Models: An Applied Survey (Roger Bivand): Spatial Econometrics functions in R: Classes and Methods: Introduction to Geographically Weighted Regression (GWR) and to Grid Enabled GWR (Daniel Grose, Chris Brunsdon, Richard Harris):

90 Softwares Específicos
São Sw Livres disponíveis na WEB GeoDa Índice de Moran, LISA maps, Regressão Clássica e Espacial (Spatial Lag & Spatial Error) SPRING e Terraview Índice de Moran, LISA map CrimeStat Índices de Autocorrelação, Taxas e Regressões SAM (Spatial Analysis in Macroecology, Índices de Autocorrelação, Taxas e Regressões (inclui GWR) Rangel, T.; Diniz-Filho, J; Bini, L. (2010) SAM: a comprehensive application for Spatial Analysis in Macroecology. Ecography, 33:46-50 Não é Livre: GWR 3.0 Regressão Clássica e Espacial (GWR) Fotheringham, A.S., Brunsdon, C., and Charlton, M.E., 2002, Geographically Weighted Regression: The Analysis of Spatially Varying Relationships, Chichester: Wiley.