中枢神经的可塑性概念、大脑可塑性与补偿性、可塑性面积单元问题概念?

2021-09-09 10:52:41 0阅读

可塑性面积单元问题(modifiable areal unit problem,MAUP)效应是对空间数据分析结果产生不确定性影响的主要原因之一,在空间自相关分析中也不例外。本文分别利用网格模拟数据和中国人均GDP实例数据为数据源,以全局Moran's I系数来探究空间自相关统计中的MAUP效应,分析结果表明,变量的空间自相关程度依赖于空间的粒度大小与单元的划分方法,但空间单元的变化与自相关性并不存在某种函数关系。因此,在进行空间自相关

可塑性面积单元问题(modifiable areal unit problem,MAUP)效应是对空间数据分析结果产生不确定性影响的主要原因之一,在空间自相关分析中也不例外。本文分别利用网格模拟数据和中国人均GDP实例数据为数据源,以全局Moran's I系数来探究空间自相关统计中的MAUP效应,分析结果表明,变量的空间自相关程度依赖于空间的粒度大小与单元的划分方法,但空间单元的变化与自相关性并不存在某种函数关系。因此,在进行空间自相关研究时必须选择合适的地理单元的粒度大小和分区。最后本文给出一种基于地统计内插方法来降低MAUP对空间自相关分析影响。

在线SPSS-SPSSAU回归分析指标怎么看?

1、使用SPSSAU在线分析:首先找到回归分析

中枢神经的可塑性概念、大脑可塑性与补偿性、可塑性面积单元问题概念?

2、把想要分析的题项拖拽到指定的选框中,点击即可生成数据。(有不会的问题可以点击右侧的“灯泡”查看帮助手册)

中枢神经的可塑性概念、大脑可塑性与补偿性、可塑性面积单元问题概念?

3、得到结果,以及智能文字分析

中枢神经的可塑性概念、大脑可塑性与补偿性、可塑性面积单元问题概念?

结果解读

中枢神经的可塑性概念、大脑可塑性与补偿性、可塑性面积单元问题概念?

1、回归分析结果指标解读:

中枢神经的可塑性概念、大脑可塑性与补偿性、可塑性面积单元问题概念?

这里主要关注P值,小于0.05时有意义。

中枢神经的可塑性概念、大脑可塑性与补偿性、可塑性面积单元问题概念?

B值即回归系数值,大于0说明正向影响,小于0说明负向回归。

中枢神经的可塑性概念、大脑可塑性与补偿性、可塑性面积单元问题概念?

2、分析步骤:

①、首先分析模型拟合情况,即通过R平方值分析模型拟合情况,以及可对VIF值进行分析,判断模型是否存在共线性问题【共线性问题可使用岭回归或者逐步回归进行解决】;

②、写出模型公式(可选);

③、分析X的显著性;如果呈现出显著性(P值小于0.05或0.01);则说明X对Y有影响关系,接着具体分析影响关系方向;

④、结合回归系数B值,对比分析X对Y的影响程度(可选);

⑤、对分析进行总结。

3、进一步模型分析:

①、多重共线性:可查看VIF值,如果全部小于10(严格是5),则说明模型没有多重共线性问题,模型构建良好;反之若VIF大于10说明模型构建较差。如果呈现出共性问题,可使用逐步回归分析。

②、自相关性:如果D-W值在2附近(1.7~2.3之间),则说明没有自相关性,模型构建良好,反之若D-W值明显偏离2,则说明具有自相关性,模型构建较差。自相关问题产生时建议对因变量Y数据进行查看。

③、残差正态性:在分析时可保存残差项,然后使用“正态图”直观检测残差正态性情况,如果残差直观上满足正态性,说明模型构建较好,反之说明模型构建较差。如果残差正态性非常糟糕,建议重新构建模型,比如对Y取对数后再次构建模型等。

④、异方差性:可将保存的残差项,分别与模型的自变量X或者因变量Y,作散点图,查看散点是否有明显的规律性,比如自变量X值越大,残差项越大/越小,这时此说明有规律性,模型具有异方差性,模型构建较差。如果有明显的异方差性,建议重新构建模型,比如对Y取对数后再次构建模型等。

文章版权声明,转载注意文章来源: http://www.szhangao.com/keji/14896.html

最近发表

热门文章

标签列表