Spatial statistic tool o herramientas de estadistica espacial de ArcMap
Spatial statistic tool o la caja de herramientas Estadística espacial contiene herramientas de estadísticas para analizar distribuciones, patrones, procesos y relaciones espaciales. Si bien pueden haber similitudes entre las estadísticas espaciales y las no espaciales (tradicionales) en términos de conceptos y objetivos, las estadísticas espaciales son únicas ya que se desarrollaron específicamente para ser utilizadas con datos geográficos. A diferencia de los métodos estadísticos no espaciales tradicionales, las estadísticas espaciales incorporan el espacio (proximidad, área, conectividad y otras relaciones espaciales) directamente en sus operaciones matemáticas.
Estas herramientas nos permiten resumir las principales características de una distribución espacial (determinar el centro medio o la tendencia direccional global, por ejemplo), identificar clusters espaciales estadísticamente significativos (puntos calientes y puntos fríos) o valores atípicos espaciales, evaluar los patrones generales de clustering o dispersión, agrupar entidades basadas en similitudes de atributos, identificar una escala apropiada de análisis y explorar las relaciones espaciales.
Análisis de patrones
Si bien puede tener una idea del patrón general de las entidades y sus valores asociados al realizar una representación cartográfica de ellos, el cálculo de la estadística cuantifica el patrón. Esto facilita la comparación de patrones para distintas distribuciones o para distintos períodos de tiempo. Generalmente, las herramientas del conjunto de herramientas Análisis de patrones son un punto de inicio para realizar análisis más profundos. Por ejemplo, el uso de la herramienta Autocorrelación espacial incremental para identificar las distancias donde los procesos que promueven el clustering espacial son más marcados lo puede ayudar a seleccionar una distancia adecuada (escala de análisis) para utilizar en la investigación de puntos calientes (Análisis de punto caliente).
Este conjunto de herramientas son son estadísticas deductivas; comienzan con la hipótesis nula de que las entidades, o los valores asociados a las entidades, exhiben un patrón espacialmente aleatorio. A continuación, 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 completa). Calcular una probabilidad puede ser importante si necesita tener un alto nivel de confianza en una decisión en particular. Por ejemplo, si existen consecuencias relacionadas con la distribucion de un grupo de organismos o especies en diferente estadadío y que se deba justificar la decisión con evidencia estadística.
Estas herramientas responden a preguntas como "¿las entidades en el dataset o los valores asociados con las entidades en el dataset, agrupados espacialmente?" y "¿Está el clustering volviéndose más o menos intenso con el transcurso del tiempo?
Herramientas de asignación de cluster
Las herramientas de Asignación de clústeres realizan un análisis de clústeres para identificar las ubicaciones de puntos calientes, puntos fríos y valores atípicos espaciales estadísticamente significativos y entidades similares. El conjunto de herramientas Asignación de clústeres es útil especialmente cuando se necesita la acción basada en la ubicación de uno o más clústeres. Un ejemplo puede ser la asignación de agentes de policía adicionales para lidiar con un clúster de robos. La localización exacta de la ubicación de los clústeres espaciales también es importante cuando se buscan causas potenciales de clustering; donde la presencia del brote de una enfermedad por lo general puede proporcionar pistas acerca de lo que la causa. A diferencia de los métodos del conjunto de herramientas Análisis de patrones, que responden a la pregunta "¿existe un clústering espacial?" con Sí o No, las herramientas de Asignación de clústeres permiten la visualización de las ubicaciones y la extensión del clúster. Estas herramientas responden a las preguntas "¿Dónde están los clústeres (puntos calientes y fríos)?", "¿Dónde hay mayor número de incidentes?" "¿Dónde están los valores espaciales atípicos?" y "¿Qué entidades se parecen más?".
Herramientas de medición de distribuciones geográficas
Medir la distribución de un conjunto de entidades le permite calcular un valor que representa una característica de la distribución, como el centro, la compactación o la orientación. Puede utilizar este valor para rastrear cambios en la distribución con el transcurso del tiempo o comparar distribuciones de distintas entidades.
El conjunto de herramientas Medición de distribuciones geográficas aborda preguntas como:
¿dónde está el centro?
¿Cuál es la forma y la orientación de los datos?
¿Cuán dispersas están las entidades?
Modelado de relaciones espaciales
Además de analizar los patrones espaciales, el análisis SIG se puede utilizar para examinar o cuantificar las relaciones entre entidades. Las herramientas de Modelado de relaciones espaciales construyen matrices de ponderaciones espaciales o modelan relaciones espaciales mediante el análisis de regresión.
Las herramientas que construyen archivos de matriz de ponderaciones espaciales miden el modo en que las entidades de un dataset se relacionan entre sí en el espacio. Una matriz de ponderaciones espaciales es una representación de la estructura espacial de sus datos: las relaciones espaciales que existen entre las entidades del dataset.
La estadística espacial verdadera integra la información acerca del espacio y de las relaciones espaciales en sus operaciones matemáticas. Algunas de las herramientas de la caja de herramientas Estadística espacial que aceptan un archivo de matriz de ponderaciones espaciales son: Autocorrelación espacial (I de Moran), Análisis de cluster y de valor atípico (I Anselin local de Moran) y Análisis de punto caliente (Gi* de Getis-Ord).
Las herramientas de regresión que se proporcionan en la caja de herramientas Estadística espacial modelan las relaciones entre las variables de datos asociadas a las entidades geográficas, lo que le permite hacer predicciones para los valores desconocidos o comprender mejor los factores clave que influyen en una variable que intenta modelar. Los métodos de regresión le permiten verificar las relaciones y medir cuán sólidas son esas relaciones. Regresión exploratoria le permite examinar un gran número de modelos Mínimos cuadrados ordinarios (OLS) rápidamente, resumiendo relaciones variables y determinando si cualquier combinación de posibles variables explicativas satisfacen todos los requisitos del método de OLS.
