Principal Altres Anàlisi espaciotemporal

Anàlisi espaciotemporal

Visió general

Programari

Descripció

Llocs web

Lectures

Cursos

Visió general

L’epidemiologia té una llarga història d’estudis de factors que afecten la variabilitat de la incidència o mortalitat de malalties infeccioses i cròniques. Entre aquests factors, les variacions geogràfiques (o espacials) dels resultats en salut han jugat un paper crucial en l'avaluació de la distribució i el rendiment de l'atenció sanitària. La variació espacial dels resultats de salut també ha proporcionat proves de patrons de dependència i nivell de soroll en les dades. Més recentment, s’han utilitzat anàlisis de sèries temporals per examinar la manera en què les variables de salut varien al llarg del temps. Les anàlisis espaciotemporals tenen avantatges addicionals respecte a les anàlisis purament espacials o de sèries temporals, ja que permeten a l'investigador estudiar simultàniament la persistència dels patrons al llarg del temps i il·luminar qualsevol patró inusual. La inclusió de termes d’interacció espai-temps també pot detectar agrupacions de dades que poden ser indicatives de riscos ambientals emergents o d’errors persistents en el procés de gravació de dades.

Descripció

L’anàlisi de dades espaciotemporals és una àrea de recerca emergent a causa del desenvolupament i aplicació de noves tècniques computacionals que permeten l’anàlisi de grans bases de dades espaciotemporals. Els models espaciotemporals sorgeixen quan les dades es recopilen a través del temps i de l'espai i tenen almenys una propietat espacial i una temporal. Un esdeveniment en un conjunt de dades espaciotemporals descriu un fenomen espacial i temporal que existeix en un determinat moment t i ubicació x. Un exemple seria el dels patrons de mortalitat per càncer de mama femení als Estats Units entre 1990-2010, on la propietat espacial és la ubicació i la geometria de l'objecte: estats dels EUA amb informació sobre la taxa de mortalitat per càncer de mama i la propietat temporal és la marca de temps o interval de temps per al qual l’objecte espacial és vàlid: anys de mortalitat per càncer de mama 1990-2010. Altres aplicacions per a l'anàlisi espaciotemporal inclouen casos en els àmbits de la biologia, l'ecologia, la meteorologia, la medicina, el transport i la silvicultura.

Desafiaments exclusius de l’anàlisi espaciotemporal

Tot i que aquest enfocament pot proporcionar noves dimensions per a la interpretació de dades, encara està en els seus inicis i fins i tot les preguntes més bàsiques en aquest camp encara no tenen resposta: quins tipus de patrons es poden extreure de les trajectòries i quins mètodes i algorismes s’han d’aplicar per extreure ells? És important que els investigadors en siguin conscients al començament de l'anàlisi. També és important tenir en compte que moltes d’aquestes encara no tenen una solució o solució solidificada, tal com s’identifica a la literatura.

L’anàlisi de les dades espaciotemporals requereix tenir en compte tant les correlacions temporals com les correlacions espacials. L’avaluació de les dimensions espacials i temporals de les dades afegeix una complexitat significativa al procés d’anàlisi de dades per dos motius principals: 1) Canvis continus i discrets de propietats espacials i no espacials d’objectes espaciotemporals i 2) la influència d’objectes espaciotemporals veïns col·locats en un. un altre.

Un problema clau sorgeix quan s’inclou tant l’espai com el temps en un sol model:

L’espai és bidimensional i té una direccionalitat il·limitada: N-S-E-W i a qualsevol lloc entremig, mentre el temps és unidimensional i només pot moure’s en una direcció: endavant, i, per tant, desafia la manera com podem interpretar el resultat de les anàlisis espaciotemporals.

Sorgeix un altre problema amb la definició de les dades i pot tenir un fort impacte en els patrons descoberts. Un problema persistent és el problema de la unitat àrea modificable (MAUP):

L’investigador pot obtenir respostes completament diferents segons si l’espai s’avalua per estats o codis postals o trams censals i si el temps s’avalua per any, dia o minut. La mateixa anàlisi exacta es pot fer mitjançant diferents definicions espacials / temporals i els resultats poden conduir a respostes completament diferents. Per tant, en funció de la manera com l’investigador defineixi les dades, poden obtenir patrons interessants però falsos

Aquests problemes poden afectar la interpretabilitat de l'anàlisi. Com que no mirem dues variables amb la mateixa direccionalitat, no podem simplement interpretar les beta com estem acostumats i hem de tenir en compte aquest factor. Això és encara més complex si comenceu a transformar les vostres dades per analitzar-les. Els conceptes necessaris per descriure les unitats d’anàlisi es poden produir a nivells conceptuals més alts que són més adequats per a la interpretació i les implicacions de la política.

Flux de treball d’anàlisi de dades espaciotemporals

Tenint en compte alguns d’aquests reptes, oferim un pas a continuació sobre com es fa l’anàlisi espaciotemporal, mitjançant un enfocament generalitzat.

L’objectiu és proporcionar-vos prou informació per saber si voleu començar a treballar amb dades espaciotemporals, com podeu començar a avaluar si les vostres dades són adequades i proporcionar-vos recursos per afavorir l’anàlisi.

Coats carta al meu fill

A la pràctica, els dos objectius principals de l’anàlisi espaciotemporal tendeixen a ser la predicció i la descripció. Per simplicitat, ens centrarem en el flux de treball que es produiria mentre feia una anàlisi espaciotemporal descriptiva amb un enfocament de la malaltia crònica. Tanmateix, aquest enfocament pot derivar-se en un model predictiu, pel qual proporcionem recursos per explorar segons necessitat.

Pas 1: recopileu i prepareu dades

El requisit clau és que totes les dades estiguin vinculades tant a un component espacial com a un temporal. Les dades espacials es poden analitzar en molts nivells, codis postals, secció censal, estat, geocodi, etc. Les dades temporals sovint s’analitzen com a punts de dades múltiples per observació al llarg del temps i es poden mesurar de la mateixa manera que les dades espacials, si no més . També es poden mirar els esdeveniments per any, mes, minut, segon, però també cal relacionar-ho amb dades espacials.

La gran quantitat d’opcions sobre com definir les vostres dades espacials i temporals és un repte, sobretot quan voleu comparar els vostres resultats amb altres estudis o fer-los aplicables a altres poblacions.

Si recopileu les vostres pròpies dades, és important investigar abans de la recopilació de dades per veure com altres persones defineixen el problema. Si teniu la sort de tenir dades primàries que heu recopilat, podeu definir les vostres observacions tenint present l’anàlisi. Però sovint no és així i estem analitzant dades que obtenim d’altres fonts. Cada vegada és més freqüent obtenir informació relacionada amb dades espacials, cosa que realment ajuda a mesura que recopileu dades per analitzar-les. En fer anàlisis complexes, com ara l’anàlisi espaciotemporal, necessiteu tants components de dades i poques vegades podeu trobar totes les dades d’una única font. Sovint podeu recollir algunes de les dades vosaltres mateixos tenint en compte les vostres anàlisis particulars i després podeu obtenir altres components de diferents fonts de dades secundàries. Cada vegada hi ha més bases de dades que inclouen dades espacials que donen lloc a cada vegada més persones amb la capacitat de fer aquestes anàlisis.

Pas 2: mapa i examen

Un cop tinguem les nostres dades, com en tots els estudis basats en dades, el següent pas clau és començar a examinar-les. Igual que quan executem freqüències simples o pestanyes creuades per explorar altres formes de dades, fem el mateix enfocament general amb les dades espaciotemporals. A més de les anàlisis descriptives de dades, podem examinar les nostres dades mitjançant mapes descriptius senzills. En fer-ho, podem obtenir una visualització clara de característiques o tendències importants que poden estar relacionades amb dades espacials que potser no veiem només mirant-les. També podem identificar valors atípics, dades potencialment errònies i recompte de cèl·lules petites o grans que poden esdevenir problemàtics.

Exemple:

Mapa A Mapa B

Mapa A: Les taxes de mortalitat per càncer de mama es van cartografiar amb colors clars, per veure que hi pot haver algunes agrupacions al voltant d’estats amb taxes més baixes (verd) i taxes més altes (vermell). També es va produir un histograma de taxes per veure possibles valors atípics i hi ha un estat (Mississippi) amb taxes més altes que altres estats (28 morts per cada 100.000). Tenint en compte les conclusions, comprovareu si aquestes taxes són compatibles amb altres anys i en altres estats.

Mapa B: en aquest mapa estem utilitzant els recomptes de mortalitat per analitzar els possibles recomptes de cèl·lules petites o dades errònies que poden causar problemes. Tenim un gran valor atípic, però una anàlisi addicional indica que l’estat és Califòrnia, que té una població molt nombrosa per començar, de manera que pot ser que sigui menys preocupant. El mapa indica que hi ha molts recomptes petits en zones amb població no concentrada (és a dir, estats occidentals, Maine, etc.). També és possible que vulgueu aprofundir en esbrinar per què: són aquests recomptes baixos a causa de la poca població o és una altra cosa com un problema de recopilació de dades. A més del petit recompte, en aquest mapa podem veure llocs d’agrupació que no podríem veure amb freqüències tradicionals. Per què hi ha aquests dos clústers aquí?

Pas 3: pre-procés

Les dades espaciotemporals sovint necessiten transformar-se abans d’analitzar-les. Si cal, utilitzeu tècniques per centrar les dades i utilitzeu transformacions per fer que les dades s’ajusten a una distribució normal.

Un altre aspecte clau és provar la no independència de les observacions lligades espacialment. Heu de preocupar-vos pel clúster i, segons l’aspecte de les vostres dades i el clúster que espereu, utilitzeu diferents mètodes. Hi ha diverses maneres en què es pot agrupar:

  • Agrupació espacial basada en valors d’atributs no espacials d’objectes ST

  • Agrupació d'objectes en moviment

  • Agrupació de densitat

Si es troba un clúster, potser haureu de transformar les dades mitjançant algoritmes que extreguin clústers estadístics potencials

Sovint, en les dades espaciotemporals, un problema que pot provocar biaix és l’existència d’autocorrelació. Això es remunta al requisit que hem comentat anteriorment dels models analítics segons els quals tots els objectes espacials són independents entre si i totes les dades temporals són independents.

Autocorrelació espacial:

L’autocorrelació és el mecanisme mitjançant el qual els subjectes que viuen més junts poden ser més similars del que s’esperava, donant una distribució espacial realment aleatòria. O, basant-nos en el nostre exemple de taxes de mortalitat per càncer de mama als EUA, els estats més propers entre ells poden ser més similars que els estats que estan més allunyats els uns dels altres.

En comparació amb una correlació tradicional, que analitza la relació entre dues variables, l’autocorrelació mesura la correlació entre una variable X i el valor mitjà de X per als estats veïns (països, codis postals, persones). Si l’autocorrelació es deu a factors no mesurats que estan correlacionats espacialment amb les vostres variables d’interès, introduirà biaix en els resultats de l’anàlisi. La presència d’autocorrelació infringeix el supòsit d’independència i els vostres models resultants poden tenir estimacions de paràmetres inestables i valors p no fiables per a qualsevol anàlisi de regressió.

El mètode més utilitzat per avaluar l’autocorrelació va ser el valor de Morans I. És el càlcul més general, ja que podeu utilitzar dades puntuals o polígons (com els estats) i també podeu incloure tots els tipus de dades, tant si teniu variables categòriques, binàries o contínues, de manera que pot ser un bon començament a l’hora d’avaluar les vostres dades. .

Pas 4: definir i modelar l'estructura espacial

Hi ha molts models allotjats dins del marc espaciotemporal i que es poden utilitzar per a aquest tipus d’anàlisis. Vam trobar que dir 'anàlisi espaciotemporal' era gairebé tan ampli com dir 'regressió', cosa que fa que sigui fàcil analitzar simultàniament les vostres dades en aquests mètodes perquè podeu adaptar-vos a molts models i és difícil d'analitzar perquè poques vegades hi ha un mètode clar per ús.

A continuació es detallen alguns mètodes que s’utilitzen amb freqüència a la literatura:

Autoregressió condicional:

L’autoregressió s’utilitza sovint en dades longitudinals o de sèries temporals i modela la variable de resultat ja que depèn linealment dels seus propis valors anteriors. És millor tenir en compte els efectes locals, de manera que si espereu veure una gran quantitat de variabilitat espacial (diferències entre individus), aquest pot ser un mètode eficaç.

Mitjana mòbil integrada autoregressiva espai-temps:

El resultat no només depèn dels seus valors anteriors al llarg del temps, sinó també dels seus valors anteriors a l’espai. Sovint s’utilitza per a dades amb grans distàncies entre punts d’espai i temps i conjunts de dades molt grans

Efectes de la cohort espacial multivariant per edats (APC):

Té en compte els efectes APC, així com els efectes geogràfics diferencials sobre el comportament. Sovint s’utilitza en models de càncer per avaluar les relacions d’on viuen les persones, com afecta aquest comportament, a més dels efectes APC clàssics que veiem en el càncer.

Models P-spline:

Proporciona estimacions de paràmetres suavitzades al llarg de l'espai i el temps a gran escala global. El suavitzat es realitza en tres dimensions (longitud, latitud i temps). Això pot ser útil si espereu canvis significatius en diferents moments. Per exemple, aquest mètode es pot utilitzar si voleu veure els efectes de l'assistència sanitària en el resultat d'una malaltia en tots els estats abans i després de la Llei d'assistència sanitària assequible.

Pas 5: avaluar el model

Per avaluar la qualitat del model, l'analista examina els residus del model.

La distribució temporal dels residus s’explora mitjançant la visualització del gràfic temporal i la distribució espacial mitjançant la visualització del mapa. Un model es considera generat correctament o capta les característiques generals de la variació espaciotemporal quan no hi ha patrons temporals i espacials clars, o en altres paraules, les distribucions de cada dimensió apareixen com a soroll aleatori.

Si no s'estableix la distribució aleatòria, l'analista pot optar per modificar el model o segmentar el grup i revisar l'anàlisi. Altres factors claus a tenir en compte en el pas de l’avaluació és mirar els supòsits clau del model ST teòric: totes les estructures temporals haurien de ser capturades per la funció de base temporal suau i les dependències espacials haurien de demostrar estacionarietat.

Pas 6: utilitzeu els resultats

L'última tasca de l'enfocament analític amb l'anàlisi de dades espaciotemporals per utilitzar els resultats.

Una vegada que el model s'ha construït, ajustat i comprovat de manera satisfactòria, els resultats es poden utilitzar en anàlisis de riscos i en la presa de decisions. La interpretació dels resultats depèn de si el model es construeix per descriure nous patrons en la cartografia de salut o si el model es va desenvolupar per predir patrons de resultats futurs de la malaltia.

Com que només hem descrit els passos generals adoptats per desenvolupar un model espaciotemporal per a casos descriptius, un exemple de com s’interpreten els resultats es pot examinar en un estudi de 2010 que va examinar els patrons espaciotemporals específics per edat de la mortalitat per càncer de mama femení a Espanya del 1975 al 2005 - Veure referències.

Utilitat i direcció de futur

El ràpid creixement dels conjunts de dades espaciotemporals a causa de la col·lecció àmplia de xarxes i de decisions que tenen en compte la ubicació ha elevat la demanda en els enfocaments analítics de dades espaciotemporals. Aquestes enormes col·leccions de dades espaciotemporals solen amagar informació possiblement interessant i valuosos coneixements. L’anàlisi espaciotemporal planteja molts reptes, però és una aplicació prometedora per a diverses disciplines i qüestions de recerca.

És important tenir en compte que aquesta és encara una àrea de recerca poc explorada, però el treball futur implicarà el desenvolupament d’anàlisis de requisits detallats i tècniques de desenvolupament per a cadascuna de les tasques de mineria de dades espaciotemporals, avaluació de tècniques amb grans conjunts de dades en diferents dominis a múltiples espacials i temporals. granularitats, la identificació de mesures de qualitat específiques per a cadascuna de les tasques de mineria de dades ST i el creixement d’aquesta tècnica al nostre camp dependran de la col·laboració interdisciplinària de data minders amb investigadors de diferents disciplines per avaluar el mètode i com s’interpreten els resultats descoberts.

Lectures

Llibres de text i capítols

Estadístiques espacials aplicades per a dades de salut pública
John Wiley & Sons, incorporada / 2004
http://site.ebrary.com.ezproxy.cul.columbia.edu/lib/columbia/detail.action?docID=10114139

Enciclopèdia de SIG
Springer / 2008
http://link.springer.com.ezproxy.cul.columbia.edu/referencework/10.1007%2F978-0-387-35973-1

Anàlisi estadística de patrons de punts espacials i temporals, tercera edició
Chapman i Hall / 2013
http://www.crcnetbase.com.ezproxy.cul.columbia.edu/isbn/9781466560246

Visualització de dades de sèries temporals, espacials i espai-temporals amb R.
Chapman i Hall / 2014
http://www.crcnetbase.com.ezproxy.cul.columbia.edu/isbn/9781466565227

Articles metodològics

Informació d'antecedents

Meliker, J. R. i Sloan, C. D. (2011). Epidemiologia espai-temporal: principis i oportunitats. Epidemiologia espacial i espai-temporal, 2 (1), 1-9.
Document de revisió que discuteix els conceptes bàsics i la utilització de l'anàlisi espai-temporal en epidemiologia.

Nobre F. F., i Sa Carvalho M. Anàlisi espacial i temporal de dades epidemiològiques http://epi.minsal.cl/SigEpi/doc/GISSpatial.htm
Introducció bàsica al tema i per a què es pot utilitzar en epidemiologia.

Roddick, J. F., Hornsby, K. i Spiliopoulou, M. (2001). Una bibliografia actualitzada de la investigació minera de dades temporals, espacials i espai-temporals. Notes de conferències sobre mineria temporal, espacial i espacial en informàtica, 2007, 147-163.
Introducció bàsica a l'anàlisi espai-temporal i l'explotació de dades juntament amb una extensa llista de recursos i articles de revistes referents al tema.

Articles d'aplicació

Andrienko, N. i Andrienko, G. (2012). Un marc d’anàlisi visual per a l’anàlisi i modelització espai-temporal. Mineria de dades i descobriment del coneixement.
Combina anàlisis espai-temporals tradicionals amb tècniques visuals per analitzar dades de sèries temporals referenciats espacialment. Discuteix la selecció del model, l’ajust dels paràmetres del model i l’avaluació del model.

Chen, Q., Han, R., Ye, F. i Li, W. (2011). Models ecològics espai-temporals. Informàtica ecològica, 6 (1), 37-43.
Introducció d’un model dinàmic de sistemes per abordar els canvis espai-temporals en una població.

Fang, X. i Chan, K.-S. (2014). Models additius amb dades espai-temporals. Estadístiques ambientals i ecològiques, 22 (1), 61-86.
Proposa un nou enfocament a l’ús de models additius (AM) amb dades correlacionades, particularment dades espai-temporals, basat en un mètode de probabilitat penalitzada. També discuteix mètodes de criteris de selecció de models en dades amb i sense correlació espacial mitjançant un exemple d’anàlisi de dades.

Joon Y. Park. L’anàlisi espacial de les sèries temporals
http://www.ruf.rice.edu/~econ/papers/2005papers/park07.pdf
Informació en profunditat sobre la teoria que es basa en el marc de les anàlisis espai-temporals.

Kamarianakis, Y. Modelització de sèries espacials: una revisió de les metodologies proposades.
http://www.iacm.forth.gr/papers/spatial_time_series_overview.pdf
Revisió de metodologies bàsiques per a dades espacial-temporals amb exemples de dades de la vida real corresponents. Centreu-vos en l'espai-temps ARIMA (STARIMA), el model autoregressiu vectorial bayesià (BVAR) i els models de retard distribuït autoregressiu espacial.

mestre de ciències polítiques

Law, J., Quick, M., i Chan, P. (2013). Modelització espacial-temporal bayesiana per a l'anàlisi de patrons locals de crims al llarg del temps a nivell d'àrea petita. Journal of Quantitative Criminology, 30 (1), 57-78.
Va desenvolupar un mètode per aplicar la modelització espai-temporal bayesiana a l’anàlisi de tendències delictives, particularment en un àrea de petites dimensions. Discuteix els mètodes passats utilitzats fins ara i els beneficis del model bayesià.

MacNab, Y. C., i Dean, C. B. (2002). Modelització espai-temporal de taxes per a la construcció de mapes de malalties. Statistics in Medicine, 21 (3), 347-58.
Se centra en nombrosos mètodes darrere del mapatge de malalties amb incidència en la incidència i mortalitat de malalties tant en l'espai com en el temps. En un exemple, l'article utilitza models mixtos d'additius generalitzats per examinar la mortalitat infantil al Canadà al llarg del temps.

Poppy, A.L., Riebler, A., Amaral-Turkman, A., São-João, R., Ribeiro, C., Geraldes, C. i Miranda, A. (2014). Incidència del càncer d’estómac al sud de Portugal 1998-2006: anàlisi espai-temporal. Diari biomètric. Biometrische Zeitschrift, 56 (3), 403-15.
La mortalitat per càncer s’analitza mitjançant un model espacial multivariant d’edat-període-cohort per evitar l’agregació d’edat i permetre l’anàlisi de les tendències temporals entre homes i dones a través de l’edat, període, cohort de naixement i espai.

Ruiz-Medina, M. D., Espejo, R. M., Ugarte, M. D. i Militino, A. F. (2013). Anàlisi funcional de sèries temporals de dades epidemiològiques espai-temporals. Investigació ambiental i avaluació de riscos estocàstics, 28 (4), 943-954
El document tracta sobre l'ús del marc del procés hilbertià autoregressiu per estimar el canvi temporal dels mapes de risc relatius de mortalitat. El mètode s’il·lustra en una anàlisi de la mortalitat per càncer de mama a Espanya del 1975 al 2005. A continuació, els autors utilitzen dades simulades per comparar aquest enfocament amb el clàssic enfocament CAR espai-temporal i discutir les diferències.

Modelització espai-temporal
http://www.stat.unc.edu/faculty/rs/s321/spatemp.pdf
Excel·lent visió general de molts models disponibles per a l'anàlisi espai-temporal.

Ugarte, M. D., Goicoa, T., Etxeberria, J., Militino, A. F. i Pollán, M. (2010). Patrons espai-temporals específics per edat de la mortalitat per càncer de mama femení a Espanya (1975-2005). Annals of Epidemiology, 20 (12), 906-916.
Utilitza models P-spline per analitzar la mortalitat per càncer de mama a tot Europa i Espanya des del 1975-2005. Aborda l’allisament espai-temporal dels riscos de mortalitat en tres dimensions: longitud, latitud i temps.

Wall, MM. (2004). Una mirada detallada a l’estructura espacial implicada pels models CAR i SAR. Revista de planificació estadística i inferència, 121, 311-324.
http://www.esg.montana.edu/biol504/wall04.pdf
Descriu i compara les estructures estadístiques i correlacionals dels models Conditorial Autoregressiu (CAR) i Simultàniament Autoregressiu (SAR). A continuació, el document analitza els usos pràctics de cadascun d’aquests models i dóna un exemple d’anàlisi comparant els dos models espacials.

Programari

R
http://www.r-project.org/

Manipulació i anàlisi de dades espaciotemporals
http://cran.r-project.org/web/views/SpatioTemporal.html
Llista àmplia de paquets disponibles per a la recopilació, anàlisi i mapatge de dades espai-temporals a R.

ArcGIS
ArcGIS en línia gratuït
https://www.arcgis.com/home/
Creeu mapes bàsics que es puguin utilitzar en format en línia

Prova gratuïta ArcGIS de 60 dies
http://www.arcgis.com/features/free-trial.html
Pàgina d'ajuda d'ArcGIS
http://resources.arcgis.com/en/help/

Llocs web

GeoData @ Columbia
http://culspatial.cul.columbia.edu/

Centre de Ciències Socials Digitals de la Universitat de Columbia
http://library.columbia.edu/locations/dssc/data.html

Cens
www.census.gov
https://www.census.gov/geo/maps-data/data/tiger-cart-boundary.html

NYC GIS Clearinghouse
https://gis.ny.gov/gisdata/

Dades ambientals de l’EPA
http://www.epa.gov/reg3esd1/data/gis.htm

Open Data ArcGIS
http://opendata.arcgis.com/

El Mapa Nacional
http://nationalmap.gov/

Cursos

Formació ESRI (ArcGIS)

Més enllà d’on: utilitzar l’anàlisi de regressió per explicar per què
http://training.esri.com/gateway/index.cfm?fa=catalog.webCourseDetail&courseid=2586

Treballar amb dades temporals a ArcGIS
http://video.esri.com/watch/93/working-with-temporal-data-in-arcgis

Autèntica anàlisi de dades espacial-temporal mitjançant el llenguatge d’informàtica estadística ArcGIS i R
http://video.esri.com/watch/3373/true-spatial_dash_temporal-data-analysis-using-arcgis-_and_-r-statistical-computing-language

Centre d’Estudis en Demografia i Ecologia de la Universitat de Washington
Taller i laboratori de SIG en línia. Inclou presentacions, materials de laboratori, dades.

Anàlisi exploratòria de dades espacials
https://csde.washington.edu/services/gis/workshops/ESDA.shtml

Regressió espacial
https://csde.washington.edu/services/gis/workshops/SPREG.shtml

Articles D'Interès

L'Elecció De L'Editor

Imperatius categòrics i el cas de l’engany: primera part
Imperatius categòrics i el cas de l’engany: primera part
Teachers College, Columbia University, és la primera i més gran escola d'educació de postgrau dels Estats Units i també perenne entre els millors del país.
La terra i els seus pobles, volum II: des del 1500: una història global
La terra i els seus pobles, volum II: des del 1500: una història global
El Comitè del Pensament Global de la Universitat de Columbia, presidit per l’economista guanyador del premi Nobel Joseph Stiglitz, fomenta la investigació interdisciplinària sobre la globalització.
Plans de fibra BSNL Kolkata 2021 amb preu i validesa
Plans de fibra BSNL Kolkata 2021 amb preu i validesa
BSNL Fiber Plans Kolkata 2021 Preu, BSNL Fiber Plans Kolkata 2021 Validesa, Kolkata bsnl ftth plans 2021 informació mensual.
Llicenciat en Màster en Ciències
Llicenciat en Màster en Ciències
El programa Màster en Ciències se centra en coneixements especialitzats amb un ampli abast en salut pública per establir carreres professionals d’èxit. Esbrineu com començar avui.
Què és el formulari complet NFT 2022?
Què és el formulari complet NFT 2022?
La forma completa NFT significa testimoni no fungible. En altres paraules, podem anomenar-lo un testimoni no substituible. A NFT, tant no fungible com token
Com crear una pàgina d'empresa de Facebook
Com crear una pàgina d'empresa de Facebook
Per, Com crear una pàgina d'empresa de Facebook, obriu Facebook i toqueu l'opció de creació de pàgina. Trieu la categoria d'empresa per a la vostra pàgina i personalitzeu-la amb...
Com crear una pàgina d'empresa de Facebook
Com crear una pàgina d'empresa de Facebook
Per, Com crear una pàgina d'empresa de Facebook, obriu Facebook i toqueu l'opció de creació de pàgina. Trieu la categoria d'empresa per a la vostra pàgina i personalitzeu-la amb...