Na Inteligência Territorial, muita análise começa pela Densidade de Kernel. É aquela superfície colorida, rápida e intuitiva, que mostra onde eventos, como vendas, acidentes ou ocorrências criminais, tendem a se concentrar no espaço.
O Kernel ajuda muito na exploração inicial dos dados. Mas ele não responde sozinho se aquele padrão é estatisticamente significativo. Para sair da leitura visual e investigar melhor a estrutura espacial, é preciso olhar para as relações de vizinhança.
É aí que entra o Moran Local (LISA). Ele identifica padrões de semelhança e contraste entre áreas vizinhas, revelando tanto agrupamentos homogêneos, como Alto-Alto e Baixo-Baixo, quanto situações atípicas, como Alto-Baixo e Baixo-Alto.
Já o Getis-Ord Gi* responde outra pergunta: onde há concentração estatisticamente significativa de valores altos ou baixos?
Enquanto o Moran Local ajuda a entender como os valores se relacionam no espaço, o Gi* ajuda a localizar hotspots e coldspots com significância estatística, considerando a soma ponderada dos valores na vizinhança.
Em termos simples:
Kernel mostra onde parece haver concentração.
Moran Local mostra como os valores se organizam entre vizinhos.
Getis-Ord Gi* mostra onde há concentração significativa de valores altos ou baixos.
A escolha do método muda a pergunta, a interpretação e o tipo de decisão que pode ser apoiada pelo mapa.
Preparei esta prancha visual para ajudar a diferenciar essas três abordagens antes de rodar os algoritmos no próximo projeto.
Na sua rotina, você costuma usar mais o Kernel, o Moran Local ou o Getis-Ord Gi*?
Nenhum comentário:
Postar um comentário