1.6 Applied Spatial Data AnalysisSt

1.6 Applied Spatial Data Analysis
Statistical inference is concerned with drawing conclusions based on data and
prior assumptions. The presence of a model of the data generating process may
be more or less acknowledged in the analysis, but its reality will make itself felt
sooner or later. The model may be manifest in the design of data collection, in
the distributional assumptions employed, and in many other ways. A key insight
is that observations in space cannot in general be assumed to be mutually
independent, and that observations that are close to each other are likely to
be similar (ceteris paribus). This spatial patterning – spatial autocorrelation –
may be treated as useful information about unobserved influences, but it does
challenge the application of methods of statistical inference that assume the
mutual independence of observations.
Not infrequently, the prior assumptions are not made explicit, but are
rather taken for granted as part of the research tradition of a particular scientific
subdiscipline. Too little attention typically is paid to the assumptions, and
too much to superficial differences; for example Venables and Ripley (2002,
p. 428) comment on the difference between the covariance function and the
semi-variogram in geostatistics, that ‘[m]uch heat and little light emerges from
discussions of their comparison’.
To illustrate the kinds of debates that rage in disparate scientific communities
analysing spatial data, we sketch two current issues: red herrings in
geographical ecology and the interpretation of spatial autocorrelation in urban
economics.
The red herring debate in geographical ecology was ignited by Lennon
(2000), who claimed that substantive conclusions about the impact of environmental
factors on, for example species richness had been undermined by not
taking spatial autocorrelation into account. Diniz-Filho et al. (2003) replied
challenging not only the interpretation of the problem in statistical terms, but
pointing out that geographical ecology also involves the scale problem, that
the influence of environmental factors is moderated by spatial scale.
They followed this up in a study in which the data were sub-sampled
to attempt to isolate the scale problem. But they begin: ‘It is important to
note that we do not present a formal evaluation of this issue using statistical
theory. . ., our goal is to illustrate heuristically that the often presumed bias
due to spatial autocorrelation in OLS regression does not apply to real data
sets’ (Hawkins et al., 2007, p. 376).
The debate continues with verve in Beale et al. (2007) and Diniz-Filho
et al. (2007). This is quite natural, as doubts about the impacts of environmental
drivers on species richness raise questions about, for example, the
effects of climate change. How to analyse spatial data is obviously of importance
within geographical ecology. However, Diniz-Filho et al. (2007, p. 850)
conclude that ‘[w]hen multiple assumptions are not being met, as in the case
of virtually all geographical analyses, can a result from any single method
(whether spatial or non-spatial) be claimed to be better? . . . If different spatial

Hasil (Bahasa Indonesia) 1:

1.6 diterapkan Analisis Data spasialInferensi statistik yang bersangkutan dengan mengambil kesimpulan berdasarkan data danpemberani. Kehadiran model data menghasilkan proses mungkinmenjadi lebih atau kurang diakui dalam analisis, tetapi kenyataannya akan membuat dirinya merasacepat atau lambat. Model mungkin terwujud dalam desain pengumpulan data, dalamasumsi distribusi bekerja, dan dalam banyak cara. Wawasan kunciadalah bahwa pengamatan di ruang secara umum tidak dapat diasumsikan menjadi salingindependen, dan bahwa pengamatan yang berada dekat satu sama lain cenderungmenjadi serupa (ceteris paribus). Ini spasial pola-spasial Autokorelasi-dapat dianggap sebagai informasi yang berguna tentang pengaruh unobserved, tetapi tidaktantangan penerapan metode inferensi statistik yang menganggapsaling kemerdekaan pengamatan.Tidak jarang, asumsi-asumsi yang sebelumnya tidak dibuat eksplisit, tetapi yangagak diambil untuk diberikan sebagai bagian dari tradisi tertentu ilmiah penelitiansubdiscipline. Biasanya terlalu sedikit perhatian diberikan kepada asumsi-asumsi, danterlalu banyak untuk dangkal perbedaan; misalnya Venables dan Ripley (2002,p. 428) mengomentari perbedaan antara fungsi kovarians dansemi-variogram di geostatistics, yang ' [m] uch panas dan sedikit cahaya muncul daridiskusi mengenai perbandingan mereka '.Untuk menggambarkan jenis-jenis perdebatan yang marah dalam komunitas ilmiah yang berbedamenganalisis data spasial, kita membuat sketsa dua isu-isu aktual: ikan haring merah digeografis ekologi dan penafsiran spasial Autokorelasi di perkotaanekonomi.Red herring perdebatan dalam ekologi geografis dinyalakan oleh Lennon(2000), yang menyatakan bahwa substantif kesimpulan tentang dampak lingkunganfaktor pada, misalnya kekayaan spesies telah telah dirusak oleh tidakmempertimbangkan Autokorelasi spasial. Menjawab Taiwo-Filho et al. (2003)menantang tidak hanya penafsiran masalah secara statistik, tapimenunjukkan bahwa geografis ekologi juga melibatkan skala masalah, yangpengaruh faktor lingkungan dikelola oleh skala spasial.Mereka ini diikuti dalam studi di mana data yang sub sampeluntuk mencoba untuk mengisolasi masalah skala. Tetapi mereka mulai: ' sangat penting untukPerhatikan bahwa kita tidak hadir evaluasi formal ini masalah menggunakan statistikteori..., tujuan kami adalah untuk menggambarkan heuristically bahwa bias sering dianggapkarena spasial Autokorelasi di OLS regresi tidak berlaku untuk data nyataset (Hawkins et al., 2007, p. 376).Perdebatan yang berlanjut dengan semangat di Beale et al. (2007) dan Taiwo-Filhoet al. (2007). Hal ini sangat alami, sebagai keraguan tentang dampak lingkungandriver pada kekayaan spesies menimbulkan pertanyaan tentang, misalnya,dampak perubahan iklim. Bagaimana untuk menganalisis data spasial adalah jelas pentingdalam jarak geografis ekologi. Namun, Taiwo-Filho et al. (2007, p. 850)menyimpulkan bahwa ' ayam [w] beberapa asumsi tidak terpenuhi, seperti dalam kasushampir semua analisis geografis, dapat hasil dari setiap metode tunggal(baik spasial atau non spasial) dapat diklaim untuk menjadi lebih baik? . . . Jika berbeda spasial

Hasil (Bahasa Indonesia) 2:

1,6 Terapan Analisis Data Spasial
inferensi statistik berkaitan dengan menarik kesimpulan berdasarkan data dan
asumsi sebelumnya. Kehadiran model proses menghasilkan data yang dapat
lebih atau kurang diakui dalam analisis, tetapi kenyataannya yang akan membuat dirinya merasa
cepat atau lambat. Model mungkin terwujud dalam desain pengumpulan data, dalam
asumsi distribusi yang digunakan, dan dalam banyak cara lain. Sebuah wawasan utama
adalah bahwa observasi dalam ruang tidak dapat secara umum diasumsikan saling
independen, dan bahwa pengamatan yang dekat satu sama lain cenderung
mirip (ceteris paribus). Pola ini spasial - autokorelasi spasial -
dapat diperlakukan sebagai informasi yang berguna tentang pengaruh teramati, tetapi tidak
menantang penerapan metode inferensi statistik yang menganggap
kemerdekaan saling pengamatan.
Tak jarang, asumsi sebelumnya tidak dibuat eksplisit, tetapi
lebih diterima begitu saja sebagai bagian dari tradisi penelitian ilmiah tertentu
subdiscipline. Terlalu sedikit perhatian biasanya dibayarkan kepada asumsi, dan
terlalu banyak perbedaan superfisial; misalnya Venables dan Ripley (2002,
hlm. 428) mengomentari perbedaan antara fungsi kovarians dan
semi-variogram dalam geostatistik, bahwa '[m] panas uch dan sedikit cahaya muncul dari
diskusi perbandingan mereka.
Untuk menggambarkan jenis dari perdebatan itu kemarahan di komunitas ilmiah yang berbeda
menganalisis data spasial, kita sketsa dua isu saat ini: ikan haring merah dalam
ekologi geografis dan interpretasi autokorelasi spasial dalam kota
. ekonomi
Perdebatan herring merah dalam ekologi geografis yang dinyalakan oleh Lennon
(2000), yang mengaku bahwa kesimpulan substantif tentang dampak lingkungan
faktor pada, kekayaan spesies misalnya telah dirusak oleh tidak
mengambil autokorelasi spasial ke rekening. Diniz-Filho et al. (2003) menjawab
menantang tidak hanya penafsiran masalah dalam hal statistik, tetapi
menunjukkan bahwa ekologi geografis juga melibatkan masalah skala, bahwa
pengaruh faktor lingkungan dimoderatori oleh skala spasial.
Mereka mengikuti ini dalam sebuah penelitian di mana data sub-sampel
untuk mencoba untuk mengisolasi masalah skala. Tapi mereka mulai: "Penting untuk
dicatat bahwa kami tidak menyajikan evaluasi formal masalah ini menggunakan statistik
teori. . ., Tujuan kami adalah untuk menggambarkan heuristik yang bias sering dianggap
karena autokorelasi spasial dalam regresi OLS tidak berlaku untuk data real
set '(Hawkins et al., 2007, hal. 376).
Perdebatan berlanjut dengan semangat di Beale dkk . (2007) dan Diniz-Filho
et al. (2007). Hal ini cukup wajar, karena keraguan tentang dampak lingkungan
driver pada kekayaan spesies menimbulkan pertanyaan tentang, misalnya,
dampak perubahan iklim. Bagaimana menganalisis data spasial yang jelas penting
dalam ekologi geografis. Namun, Diniz-Filho et al. (2007, hal. 850)
menyimpulkan bahwa '[w] hen beberapa asumsi tidak terpenuhi, seperti dalam kasus
hampir semua analisis geografis, dapat hasil dari metode tunggal
(baik spasial maupun non-spasial) akan diklaim lebih baik? . . . Jika ruang yang berbeda