Suchergebnisse

Despite spatial statistics and spatial econometrics both being recent sprouts of the general tree ""spatial analysis with measurement""—some may remember the debate after WWII about ""theory without measurement"" versus ""measurement without theory""—several general themes have emerged in the pertaining literature. But exploring selected other fields of possible interest is tantalizing, and this is what the authors intend to report here, hoping that they will suscitate interest in the methodologies exposed and possible further applications of these methodologies. The authors hope that reactions about their publication will ensue, and they would be grateful to reader(s) motivated by some of the research efforts exposed hereafter letting them know about these experiences.

1. Introduction to spatial statistics and data handling -- 1.1. A brief historical background -- 1.2. The principal problem of spatial statistics -- 1.3. Spatial sampling perspectives -- 1.4. Models of spatial autocorrelation -- 1.5. Towards a theory of spatial statistics -- 1.6 References -- Appendix 1A: Derivation of the expected value of MC -- Appendix 1B: Derivation of the expected value of GR -- 2. Developing a theory of spatial statistics -- 2.1. The small sample size problem -- 2.2. Finite versus infinite surfaces -- 2.3. Data transformations -- 2.4. Multivariate analysis -- 2.5. Higher order autoregressive models -- 2.6. Concluding comments -- 2.7. References -- 3. Areal unit configuration and locational information -- 3.1. Planar tessellations -- 3.2. Eigenfunction analysis of areal unit configuration tessellations -- 3.3. Selected applications of the principal eigenfunctions of matrix C -- 3.4. The modifiable areal unit problem -- 3.5. The importance of configurational information: a case study of Toronto -- 3.6. Implications -- 3.7. References -- 4. Reformulating classical linear statistical models -- 4.1. Autocorrelated errors models -- 4.2. Autocorrelated bivariate models -- 4.3. A spatially adjusted ANOVA model -- 4.4. The two-groups discriminant function model -- 4.5. Hypothesis testing and spatial dependence -- 4.6. Efficiency of spatial statistics estimators -- 4.7. Consistency of spatial statistics estimators -- 4.8. Conclusions -- 4.9. References -- 5. Spatial autocorrelation and spectral analysis -- 5.1. A brief background for spectral analysis -- 5.2. Relationships between autoregressive and spectral models -- 5.3. Defining the covariance matrix of a conditional spatial model using the spectral density function -- 5.4. Spectral analysis and two-dimensional shape measurement -- 5.5. Concluding comments -- 5.6. References -- 6. The missing data problem of a two-dimensional surface -- 6.1. The incomplete data problem statement -- 6.2. Background -- 6.3. Solutions available in commercial statistical packages -- 6.4. The spatial data problem -- 6.5. Properties of the conditional model when data are incomplete -- 6.6. An algorithm for the conditional spatial case -- 6.7. Constrained MLEs -- 6.8. Concluding comments -- 6.9. References -- Appendix 6A: FORTRAN subroutine -- 7. Correcting for edge effects in spatial statistical analyses -- 7.1. Problem statement -- 7.2. Major proposed solutions -- 7.3. An evaluation of the major proposed solutions -- 7.4. Conclusions and implications -- 7.5. References -- 8. Multivariate models of spatial dependence -- 8.1. A multivariate normal probability density function with spatial autocorrelation -- 8.2. Discerning latent structure in multivariate spatial data -- 8.3. Estimation problems -- 8.4. Selected empirical examples -- 8.5. Extensions to multivariate models in general -- 8.6. Concluding comments -- 8.7. References -- Appendix 8A: Rules for Kronecker products -- 9: Simulation experimentation in spatial analysis -- 9.1. Testing a null hypothesis of zero spatial autocorrelation -- 9.2. Generating autocorrelated pseudo-random numbers for two-dimensional surfaces -- 9.3. Background -- 9.4. Quality of the pseudo-random numbers -- 9.5. Variance reduction techniques -- 9.6. Selecting the number of replications r -- 9.7. Analysis of the simulation results for Chapter 6 -- 9.8. Concluding comments -- 9.9. References -- 10. Summary and conclusions -- 10.1. Summary -- 10.2 Conclusions -- 10.3 References.

Dążenie do osiągnięcia różnych wymiarów zrównoważonego rozwoju zobowiązuje władze społeczne do zaangażowania się w bardziej gruntowne monitorowanie zbiorowej podaży i popytu, m.in. w sferze ekonomicznej, szczególnie w kontekście geograficznym. W rezultacie, nakłady i wydajność na które ma to wpływ, jak również zasoby/towary/usługi do wykorzystania oraz generowane odpady, które występują i są oznaczone pośrednio lub bezpośrednio w przestrzeni geograficznej, są wyraźnymi nośnikami autokorelacji przestrzennej. Wykorzystanie tej prawie wszechobecnej właściwości danych georeferencyjnych pociąga za sobą możliwość wspierania wydajnych i skutecznych przedsięwzięć w zakresie zrównoważonego rozwoju. Losowy dobór próby metodą tesalacji warstwowej w celu monitorowania zanieczyszczenia środowiska nawiązuje do jednego z przykładów tego twierdzenia. Artykuł ilustruje ten przykład poprzez analizę jakości powietrza w Polsce w 2023 roku. W ten sposób struktura oparta na wyidealizowanych tesalacjach zostaje przełożona na strukturę polskich okręgów administracyjnych; to przekształcenie metodologiczne umożliwia organizacjom rządowym uczestniczenie w każdym planowanym monitorowaniu oraz jego nadzorowaniu bez dodatkowych komplikacji prawnych. Przypadkowe odkrycia naukowe obejmują wstępne rozszerzenie zbioru standardowych kształtów wielokątów (np. kwadratów i sześciokątów) o trapezy w celu pobrania próbek przestrzennych oraz ewentualność, że wpływ autokorelacji przestrzennej na statystyki oparte na projektach może mieć znaczną przewagę nad naruszeniem konwencjonalnego przykazania zrównoważonego losowego pobierania próbek. Wniosek jaki się nasuwa w trakcie analiz streszczonych w niniejszej publikacji dowodzi, że autokorelacja przestrzenna ma znaczenie w planowaniu i ocenie zrównoważonego rozwoju regionalnego.

Section 1. Transformations of Geographical Structures -- Computable Space-time Equilibrium Models -- Trade as Spatial Interaction and Central Places -- Income Diffusion and Regional Economics -- Transportation Flows Within Central Place Systems -- Stochastic Migration Theory and Migratory Phase Transitions -- Section 2. Transformations of Urban Systems -- Dynamic Central Place Theory: An Appraisal and Future Prospects -- Non-linear Representation of the Profit Impacts of Local Government Tax and Expenditure Decisions -- Comprehensive Dynamic Urban Models: Integrating Macro- and Micro-approaches -- New Developments of a Dynamic Urban Retail Model With Reference to Consumers' Mobility and Costs for Developers -- Section 3. Transformations Involving Interactions Over Space -- Disequilibrium in the Canadian Regional System: Preliminary Evidence, 1961–1983 -- Modelling an Economy in Space and Time: The Direct Equilibrium Approach With Attraction-regulated Dynamics -- Towards a Behavioral Model of a Spatial Labor Market -- Modeling Discontinuous Change in the Spatial Pattern of Retail Outlets: A Methodology -- Section 4. Transformations Involving Autoregressive Dependencies -- Problems in the Estimation of the Spatial Autocorrelation Function Arising From the Form of the Weights Matrix -- Model Identification for Estimating Missing Values in Space-time Data Series: Monthly Inflation in the U. S. Urban System, 1977–1985 -- Epilogue -- Institute Participants.