GWR (Geographically Weighted Regression)
v1.0.2
Sağlık Bilimleri bağlamı — katsayıların konuma göre değiştiği regresyon. Her noktada AICc-optimal bandwidth ile lokal model fit edilir; β₁(s), β₂(s) haritası elde edilir.
mgwr · Sel_BWAICc-optimalLokal R²β min/Q25/medyan/Q75/max
🎯 Ne işe yarar?
Standart OLS tek bir global β tahmin eder; GWR konum-değişen β üretir: “X1’in etkisi kuzeyde mi güneyde mi güçlü?” gibi sorulara yanıt. Sağlık Bilimleri için diyabet_prevalans_pct‘nin yas_ort ve obezite_pct‘ye duyarlılığı bölgesel olarak nasıl değişiyor görselleştirir.
📌 Ne zaman kullanılır?
- OLS rezidüellerinde mekansal kümelenme (Moran’s I anlamlı)
- Disipline özgü “etki coğrafyaya göre farklı mı?” sorusu
- Mekansal heterojenliği görselleştirme isteği
⚙ Varsayımlar
- Lat/lon koordinatları, sürekli DV (diyabet_prevalans_pct), sürekli X’ler.
- Yeterli yoğunluk: bandwidth içindeki nokta sayısı ≥ 30.
- Bandwidth seçim için AICc / CV (varsayılan AICc).
📊 MerQur’da Nasıl Çalıştırılır?
Panel atamaları (programdaki form alanları):
- Sütunlar:
{'y': 'vaka_orani', 'x': ['sosyoekonomik', 'yas_ortalama'], 'lat': 'lat', 'lon': 'lon'} - Parametreler:
{'bandwidth_method': 'AICc'}
📊 Örnek Veri Seti — Sağlık Bilimleri
ℹ Not: Aşağıdaki senaryo, MerQur çıktısı ve yorum, gerçek örnek veri seti MerQur’da çalıştırılarak elde edilmiştir. Kendi verinizdeki sayısal sonuçlar farklılık gösterecektir; buradaki amaç analizin uçtan uca nasıl kurgulandığını ve yorumlandığını göstermektir.
🎬 Örnek Dosya
Bu analiz, Sağlık Bilimleri alanına ait aşağıdaki örnek veri seti üzerinden gösterilmiştir:
Tip/107_gwr_local_risk_factor.xlsx
🎬 Senaryo
İlişkinin mekânda sabit olmadığı varsayımıyla her il için ayrı katsayılar tahmin ediyoruz; mekânsal heterojenliğin ele alınması için GWR uygundur.
⚙️ Değişken Seçimi
- Bağımlı değişken: case_ratio
- Yordayıcı(lar): socioeconomic
- Yordayıcı(lar): age_mean
- Enlem: lat
- Boylam: lon
Veri Önizleme (İlk 5 Satır)
| province_id | lat | lon | socioeconomic | age_mean | case_ratio |
|---|---|---|---|---|---|
| 1.0 | 39.3442 | 31.3475 | 58.8 | 44.8 | 502.1 |
| 2.0 | 39.6177 | 29.0262 | 68.5 | 46.2 | 365.1 |
| 3.0 | 36.8704 | 33.7026 | 48.6 | 30.3 | 474.9 |
| 4.0 | 38.7048 | 38.1436 | 36.6 | 50.4 | 522.7 |
| 5.0 | 40.3021 | 34.0883 | 54.9 | 44.7 | 419.7 |
n = 110 · Sütunlar: province_id, lat, lon, socioeconomic, age_mean, case_ratio
📈 MerQur Çıktısı
─────────────────────────────────────────────
R^2 = 0.811 yerel katsayılar konuma göre değişiyor sonuç: case_ratio, yordayıcılar: socioeconomic, age_mean
💬 MerQur Yorumu
İlişkinin mekânda sabit olmadığı varsayımıyla, her il/konum için ayrı katsayılar tahmin ettik (R^2 = 0.81). GWR, “küresel” regresyonun aksine yerel örtüşme ve ağırlıklarla her noktada ayrı bir model kurar; böylece “bu değişkenin etkisi bölgeye göre nasıl değişiyor?” sorusunu yanıtlar ve mekânsal heterojenliği haritalandırır. Tıpta ve epidemiyolojide sosyoekonomik özellikler ile hastalık arasındaki ilişkinin bölgeye göre farklılaştığı durumlarda güçlüdür.
⚠ Sık Hatalar
- Düşük yoğunluk bölgelerde bandwidth içine yetersiz nokta düşerse büyük standart hata.
- Tüm bölgede aynı etki bulduysanız global OLS yeterlidir — GWR komplikasyonu gerekmez.
- Multikolinearite GWR’da lokal olarak değişebilir; her bandwidth’te VIF kontrol önerilir.
📚 MerQur’a Atıf
Örücü, Ö. K. (2026). MerQur: Bütünleşik Akademik Veri Analizi ve Raporlama Platformu [Bilgisayar Yazılımı] (Sürüm 1.0.0). https://doi.org/10.53463/merqur.2026001
📝 Üretim Notu — Bu sayfadaki örnek veri sentetik olarak üretilmiştir (sabit SEED=42, generator: samples/Ileri_Duzey_v102/_generate_v102_datasets.py). Sayfa içeriği Anthropic Claude desteği ile hazırlanmış, akademik doğruluk yazar tarafından kontrol edilmiştir.