Análisis de patrones espaciales
Es importante identificar los patrones geográficos para comprender cómo se comportan los fenómenos geográficos. Si bien podemos tener una idea del patrón general de las entidades y sus valores asociados al realizar una representación cartográfica de ellos, el cálculo estadístico nos cuantificará el tipo de patrón, lo que facilitará la comparación de estos patrones para distintas distribuciones o para distintos períodos de tiempo.
Debemos de considerar también que los análisis de patrones son estadísticas deductivas; es decir, partimos siempre de la hipótesis nula de que las entidades, o los valores asociados a las entidades, exhiben un patrón espacial aleatorio. De esta manera los análisis, calculan un valor P que representa la probabilidad de que la hipótesis nula sea correcta (que el patrón observado es simplemente una de las tantas versiones posibles de una aleatoriedad espacial), una probabilidad puede ser importante si necesita tener un alto nivel de confianza en una decisión en particular. Por ejemplo, selección de sitios para ser áreas protegidas o similar.
Aquí en Sigalt hemos subido dos tutoriales de estos análisis, el de índice de Moran (https://www.youtube.com/watch?v=P7CF-Tx0dK4) y el de análisis de hotspot y coldspot (https://www.youtube.com/watch?v=d1Mx6XiePAk&t=43s). El primero Mide la auto correlación espacial en función de las ubicaciones de entidades y los valores de atributo mediante la estadística I de Moran global, y el segundo mide el grado de clustering para valores altos o bajos mediante la estadística G general de Getis-Ord.
Indice de Moran
Dado un conjunto de entidades y un atributo asociado, esta herramienta evalúa si el patrón expresado está agrupado, disperso o es aleatorio. Cuando la puntuación z y el valor P indican una significancia estadística, un valor positivo del índice I de Moran indica una tendencia hacia el clustering mientras que un valor negativo del índice I de Moran indica una tendencia hacia la dispersión.
Los resultados de la puntuación z y el valor p son medidas de significancia estadística que indican si se debe rechazar o no la hipótesis nula. Para esta herramienta, la hipótesis nula establece que los valores asociados con entidades están distribuidos en forma aleatoria.
A Considerar
Los datos de incidentes son puntos que representan eventos (delincuencia, accidentes de tráfico) u objetos (árboles, tiendas) donde el foco se centra en su presencia o ausencia en lugar de algún atributo de medición asociado con cada punto.
HotSpot y ColdSpot
La herramienta Clustering hotspot/ColdSpot (G general de Getis-Ord) es una estadística deductiva, lo que significa que los resultados del análisis se interpretan dentro del contexto de la hipótesis nula.
La hipótesis nula establece que no existe un clustering espacial de valores de entidades. Cuando el valor P es pequeño y estadísticamente significativo, la hipótesis nula se puede rechazar. Si se rechaza la hipótesis nula, el signo de la puntuación z se torna importante.
Si el valor de la puntuación z es positivo, el índice de G general observada es mayor que el índice de G general esperada, lo que indica que se agrupan valores altos o los llamdos hotspot para el atributo en el área de estudio. Si el valor de la puntuación z es negativo, el índice de G general observada es menor que el índice de G general esperada, lo que indica que se agrupan valores bajos o coldspots en el área de estudio.
Debemos considerar que a herramienta Clustering alto/bajo (G general de Getis-Ord) es más adecuada cuando tiene una distribución de valores pareja y busca picos espaciales no esperados de valores altos. Desafortunadamente, cuando se agrupan valores altos y bajos, estos tienden a cancelarse entre sí.
Si tenemos este escenario y queremos medir un clustering espacial utilizaremos la herramienta Autocorrelación espacial con el Indice de Moran.
