Spatial Error Model
v1.0.2
Mimarlık, Planlama ve Tasarım bağlamı — Spatial Error Modeli. emlak_fiyati_TL_m2‘nin uzamsal komşuluk yapısını dikkate alan regresyon. Spatial weight matrisi: K-nearest neighbor (k=5), satır standardize.
Y = Xβ + λWu + εlibpysal KNN Wspreg MLλ ≈ 0.58
🎯 Ne işe yarar?
Klasik OLS gözlemleri bağımsız varsayar — fakat lat/lon verilerinde yakın noktalar benzer değerler alır (uzamsal otokorelasyon). Spatial Error Model bu yapıyı modele dahil eder; aksi halde OLS β tahminlerinin standart hataları küçük çıkar (tip-I hata).
📌 Ne zaman kullanılır?
- Mimarlık, Planlama ve Tasarım’nde mekansal veri (lat/lon ile) + sürekli DV
- Moran’s I p < .05 — uzamsal otokorelasyon kanıtı
- OLS rezidüellerinde mekansal kümelenme (DBSCAN üzerinde hotspot)
⚙ Varsayımlar
- Lat/lon koordinatları ({lat, lon}).
- Sürekli DV (emlak_fiyati_TL_m2).
- Spatial weight matrisi tasarımı (KNN k=5 — varsayılan, dist.band alternatifi var).
- λ parametresi 0-1 arasında stabil; sınırda fragility riski.
📊 MerQur’da Nasıl Çalıştırılır?
Panel atamaları (programdaki form alanları):
- Sütunlar:
{'y': 'park_deger_TL', 'x': ['alan_m2', 'yesil_orani'], 'lat': 'lat', 'lon': 'lon'} - Parametreler:
{'weights': 'knn', 'k': 5}
📊 Örnek Veri Seti — Mimarlık, Planlama ve Tasarım
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, Mimarlık, Planlama ve Tasarım alanına ait aşağıdaki örnek veri seti üzerinden gösterilmiştir:
Peyzaj_Mimarligi/106_spatial_error_use_residual.xlsx
🎬 Senaryo
Ölçülmeyen mekânsal faktörlerin artıklar üzerinden yarattığı korelasyonu (lambda) içeren mekânsal hata modeliyle park değerini incelemek istiyoruz.
⚙️ Değişken Seçimi
- Bağımlı: park_value_TL
- Yordayıcılar: area_m2, green_ratio
- Koordinatlar: lat, lon
Veri Önizleme (İlk 5 Satır)
| park_id | lat | lon | area_m2 | green_ratio | park_value_TL |
|---|---|---|---|---|---|
| 1.0 | 40.8754 | 41.6339 | 43707.0 | 0.244 | 1127526.0 |
| 2.0 | 39.7804 | 31.3363 | 36869.0 | 0.525 | 2525100.0 |
| 3.0 | 40.6427 | 37.658 | 1816.0 | 0.137 | 38431.0 |
| 4.0 | 38.931 | 30.9028 | 21223.0 | 0.668 | 1760014.0 |
| 5.0 | 39.3061 | 32.7805 | 13899.0 | 0.491 | 717165.0 |
n = 100 · Sütunlar: park_id, lat, lon, area_m2, green_ratio, park_value_TL
📈 MerQur Çıktısı
─────────────────────────────────────────────
lambda (mekansal hata) = 0.41 z = 3.40 p = 0.001 Pseudo R2 = 0.79
Park değeri ~ değişkenler + mekansal hata yapısı
💬 MerQur Yorumu
Mekânsal hata modeli, SAR’dan farklı bir mekânsal bağımlılık türünü ele alır: komşu değerlerin doğrudan etkisini değil, modelde gözlenmeyen (atlanmış) mekânsal faktörlerin artıklar üzerinden yarattığı korelasyonu. Lambda = 0.41 (z = 3.40, p = 0.001) bu mekânsal hata yapısının anlamlı olduğunu gösterir; ölçülmeyen ortak mekânsal etmenler (mahalle altyapısı, sosyoekonomik bağlam, ulaşım) mevcuttur. Hangi mekânsal modelin (SAR mı, SEM mi) uygun olduğu sorusu, etkinin komşu değerlerden mi yoksa ölçülmeyen faktörlerden mi geldiğine bağlıdır. SEM, bu ölçülmeyen mekânsal karıştırıcıları temizleyerek değişkenlerin park değeri üzerindeki gerçek etkisini daha doğru tahmin eder.
⚠ Sık Hatalar
- λ ≈ 1 → matris tekilliği; daha gevşek W (k=10) deneyin.
- W matrisi seçimi sonuçları etkiler — KNN ve DistanceBand karşılaştırın.
- Lat/Lon yerine projeksiyon koordinat (UTM) doğru mesafe için tercih edilebilir.
📚 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.