MANUAL DE OPENGEODA.

Como en la versión 0.9.3, la ventana que aparece después de que el programa ha

sido

lanzó contiene un menú simplificado que permite el acceso a las herramientas,

como

construcción espacial pesos y transformaciones de datos espaciales, sin tener

que empezar de forma explícita un proyecto (y cargar un archivo de forma). Un
elemento de Métodos

se ha añadido a este menú, para acceder a la función de regresión espacial

directamente. Esto es especialmente útil en el análisis de conjuntos de datos más

grandes, ya que

evita la necesidad de actualizar todas las ventanas relacionadas, incluyendo

potencialmente muy

tabla de datos de gran tamaño. El menú inicial se muestra en la Figura 1. Como

antes, sólo

dos elementos de la barra de herramientas están activos, el primero de los cuales

se utiliza para poner en marcha un

proyecto, como se ilustra en la figura.

Después de abrir el proyecto, las peticiones de diálogo habituales el nombre de

archivo de la

Archivo 7shape y la variable clave. Después de hacer clic en el botón Aceptar, el

mapa

Se abre la ventana, que muestra el mapa de base para los análisis, como en la
Figura 2.
La principal diferencia con las versiones anteriores es que la ventana muestra por
defecto

(parte de) el panel de leyenda en el tamaño de la mano izquierda. Como antes,

esto se puede cambiar el tamaño

arrastrando el separador entre los dos paneles (el panel de la leyenda y el

panel de mapa) a la derecha o a la izquierda.

Figure 2: Opening window after loading the SIDS2 sample data set

Con un archivo de forma cargada, el menú completo y todas las barras de

herramientas están activas,

como en la Figura 3. La barra de menú contiene tres elementos nuevos: la tabla,

el espacio y

Retroceso. La barra de herramientas tiene dos nuevos conjuntos acoplables de

botones, Espacio y mapa

y reorganizado ligeramente Explora barra de herramientas. La barra de

herramientas de pesos ha sido

movido a la izquierda. Dos iconos de la barra de herramientas de deporte Editar

un nuevo aspecto.
 Figure 3: The complete menu and toolbar buttons

Figura 3: El completo menú y los botones de la barra de herramientas

elementos del menú

Menú Herramientas

El menú Herramientas está disponible con o sin un archivo de forma cargada y

es idéntico en ambos casos. Como se muestra en la Figura 4, hay dos nuevos

artículos.

Herramientas> Forma> Polígonos de red construye un archivo de forma de

polígono de

una red regular o rejilla, sobre la base de la entrada del usuario sencilla, tales
como las coordenadas

de las esquinas inferior izquierda y superior derecha, el número de filas y el

número

de columnas (ver p. 13). Herramientas> Configuración de forma> Polígonos de

BND crea una

archivo de forma poligonal con base en el límite coordenadas contenida en un

asciiarchivo de entrada (ver p. 15).

Figure 4: The tools menu item

Figura 4: La opción de menú Herramientas

Métodos Menu

El menú de métodos sólo está disponible cuando no hay ningún archivo forma se
ha cargado en

el proyecto. Su única utilidad es para invocar la funcionalidad de regresión

espacial, como

se muestra en la Figura 5. La interfaz es idéntica a la utilizada en el Regress

menú dentro de un proyecto (véase p. 45).

Figure 5: The methods menu item

Figura 5: Los métodos de los hombres

Hay una gran diferencia entre el uso de la regresión funcionalidad a través del
menú que se muestra en la Figura 5 y a través de la regresión en el menú
principal en la Figura 3. Cuando se invoca sin un archivo de forma con los
métodos menú, el análisis de regresión lee los datos directamente desde el
archivo de dBase, sin mostrar el contenido de la tabla en la ventana. Esto evita la
sobrecarga necesaria para la vinculación y el cepillado y normalmente es la única
manera práctica de analizar grandes conjuntos de datos ( 10.000 observaciones y
más).
 Figure 6: Map menu

Figure 7: Map toolbar

Mapa de menú de mapa de MenuThe (Figura 6) contiene un nuevo elemento, el

cartograma (ver p. 23). La barra de herramientas del mapa, que se muestra en la
figura 7, es nueva. Contiene botones para invocar la cartograma, los tipos de
mapa choropleth familiar (de izquierda a derecha, quantile, percentil, norma
deviational y cercas de caja mapa mismas dos) y la película mapa (individuales y
acumulativa, ver pág. 26).

Explore Menu

The Explore menú incluye tres nuevos elementos: el CoordinatePlot paralelo (ver
pág. 29), la dispersión 3D Plot (ver pág. 33) y el ConditionalPlot (ver p. 38), como
se muestra en la figura 8. El analysisitems de autocorrelación espacial y la tabla
se han movido a su propio menú (ver p. 12). TheExplore barra de herramientas,
figura 9, contiene los iconos para las seis funciones EDA, así como un botón para
activar los datos Table.Figure 8: explorar menuFigure 9: explorar toolbar
 Figure 8: Explore menu

Figure 9: Explore toolbar

Table Menu

The tabla menú (Figura 10) contiene todas las operaciones en elementos de la
tabla.Figura 10: La mesa menú item11

Figure 10: The table menu item

Tenga en cuenta que los elementos del menú de la tabla son idénticos a lo que se
obtiene cuando se hace clic derecho en un
tabla activa.

Menú espacio

El menú del espacio es nuevo y los grupos de funciones para llevar a cabo el
análisis de autocorrelación espacial, como
ilustrado en la Figura 11. En versiones anteriores, estos se incluyen en el menú
Explorar. la
juego botones de la barra (Figura 12) se combinan en una barra de herramientas
acoplable separado.

Figure 11: Space menu

Figure 12: Space toolbar

Manipulación de datos espaciales

Dos nuevas funciones de entrada de datos espaciales se han añadido al menú

Herramientas. También hay menor
cambios en los cálculos de pesos espaciales, y una nueva opción se añadió a la
construcción de
Thiessen polígonos.

Creación de archivos de forma de cuadrícula de polígono

Herramientas> Configuración de forma> Polígonos de red ofrece la posibilidad de

construir un archivo de forma poli-gono de
red regular o rejilla de entrada de usuario simple. La cuadrícula regular es
cuadrado o rectangular
y tiene los números de observación a partir de la esquina superior izquierda y se
eleva a la derecha, y
luego hacia abajo, fila por fila. La figura 13 muestra el cuadro de diálogo principal.

El método más sencillo es introducir las coordenadas de la esquina inferior

izquierda y superior derecha y
especificar el número de filas y columnas, como se muestra en la Figura 13. Para
el ejemplo que se da allí, el
resultado es un 10 por 10 red regular, como en la Figura 14. El archivo de forma
contiene tres campos: un
identificador (POLYID), el área de la celda (AREA) y el perímetro (perímetro).
Cualquier otro
los datos deben agregarse por medio de la tabla unirse a la funcionalidad.

Figura 14: Un 10 por 10 red regular

Un segundo enfoque consiste en leer la información del cuadro delimitador de un
texto
archivo. Este archivo tiene un formato muy simple, como se muestra en la Figura
15. contiene
el número de filas, el número de columnas, de la coordenadas X, Y para el
esquina inferior izquierda, y el X, Y coordenadas de la esquina superior derecha.
estos
artículos pueden estar en la misma línea, separados por espacios en blanco
(espacio o tabulador) o
en líneas consecutivas, un archivo separado por comas no funciona.

Figura 15: Formato del archivo de entrada de límite cuadro de texto

Sin embargo, un tercer enfoque basa las cuadrículas en el cuadro de límite

asociado a un archivo de formas. Tenga en cuenta que
Este método sólo es adecuado para las formas proyectadas. Cuando las
coordenadas se desproyecta lat-lon,
puede haber distorsiones de
extensiones más grandes. La esquina Coordenadas del cuadro delimitador (como
leer
el archivo de forma) determinar la extensión de la red. El tamaño del individuo
celdas de la cuadrícula se deduce del número de filas y columnas especificadas,
como se muestra
En la figura 16, con la extensión del archivo de forma SIDS como el cuadro
delimitador.
Figura 16: Creación de una cuadrícula de cuadro delimitador en un archivo de
forma
El resultado se ilustra en la Figura 17. Para ilustrar el efecto de la
delimitador elección caja, el esquema original de los condados de Carolina del
Norte es
superpuesto al 5 por 20 celosía, después de aplicar un Edit> Add Layer
comando. Tenga en cuenta la ligera distorsión en las celdas de la cuadrícula,
debido al hecho de que
el archivo de forma SIDS se desproyecta.

Creación de archivos de forma de polígono de entrada BND

Herramientas> Forma> Polígono BND crea un archivo de forma poligonal de la

información sobre los límites contenidos en un archivo de entrada de texto. El
cuadro de diálogo, como se muestra en
La figura 18, requiere que el nombre del archivo de salida de la forma y el archivo
de texto de entrada.
El archivo de entrada debe seguir un formato muy específico, similar a los
formatos utilizados
en la forma a la función de BND. El único formato soportado hasta ahora es la
"1a"
Formato BND, como se especifica en la función de salida de forma GeoDa. El
formato es
explicado cuando se invoca la función de ayuda, haga clic en el signo de
interrogación
en el diálogo que se muestra en la Figura 18, dando la figura 19.

Figure 17: North Carolina counties with matching 5 by 20 regular lattice

Figure 18: Shape file from a boundary text file

Figure 19: Boundary file for- mat

El formato de archivo compatible con el archivo de texto consiste en una línea de

cabecera, que contiene el número de
observaciones y el nombre de la variable para la clave variable, separados por
una coma. A continuación, para cada uno
observación sigue una línea con el ID y el número de vértices que definen el
polígono, de nuevo
separadas por comas. A continuación, la X, se dan las coordenadas Y, separados
por comas y en una línea separada para
cada punto. Esto se repite para cada polígono en el conjunto de datos. Por
ejemplo, el contenido del
archivo de entrada para los datos Columbus sería:

49,POLYID
1,14
8.62413,14.237
 8.5597,14.7424
8.80945,14.7344
...
8.6429,14.0897
8.63259,14.1706
8.62583,14.2237
2,46
...

El archivo de forma resultante se puede cargar en GeoDa de la forma habitual.

para
ejemplo, usando el archivo de texto de entrada para Columbus produce el archivo
de forma que se muestra en
La Figura 20. La tabla de datos, también se ilustra en la figura, contiene tres
campos:
el identificador original (POLYID), área, perímetro, y un simple secuencial
identificador (ID RECORD).

Figure 20: Columbus shape and table from text boundary file

12
Creación de pesos espaciales

La funcionalidad de pesos en el menú Herramientas se ha revisado ligeramente.

Esto afecta de orden superior
cálculo contigüidad pesos basados en la distancia y las características pesos.

Superior contigüidad Orden

Herramientas> Pesas> Crear invoca el diálogo habitual. Hay una nueva casilla de
verificación debajo de la selección de
el orden de contigüidad, como se muestra en la Figura 21. Al seleccionar esta
opción incluye todos los menores
ordenar los vecinos hasta el orden especificado. El valor por defecto (casilla de
verificación no se controla) sólo calcula
Mayor contigüidad orden "pura", que no incluye a los vecinos de orden inferior.

Figura 21: Espacio para la mayor contigüidad fin

Creación de pesos Distancia

13
El cálculo de los pesos distancia ahora utiliza la métrica de distancia correcta,
tanto en la interfaz de usuario
así como en el archivo de pesos resultante. Las unidades de distancia dependen
de las unidades para el coordenadas del mapa base. Cuando los puntos se
almacenan como desproyecta lat-lon grados decimales, la distancia resultante
estará en millas. Anteriormente, la distancia mostrada se reajustarán y no lo hizo
tener una interpretación significativa.

En la Figura 22, la distancia de corte se muestra en la interfaz usando el Norte

Condados de Carolina es (aproximadamente) 29.9 millas. Las distancias
calculadas se incluyen como la tercera
la columna en el archivo de GWT, tanto para contigüidad basada en la distancia,
así como para la k-vecinos más cercanos.
Por ejemplo, en la Figura 23, las distancias se enumeran (en millas) para los 4
vecinos más cercanos en la
Carolina del Norte ejemplo.
Tenga en cuenta que en la versión actual de GeoDa, no se utilizan los propios
distancias, pero sólo el
información de contigüidad resultante se toma en cuenta

14
 Figure 22: Distance cutoff in
miles
Figure 23: Distance in k near- est
neighbor weights files

Características Pesos.

El diseño del histograma se utiliza para representar la estructura de conectividad

en pesos espaciales tiene
sido revisado. La clasificación en categorías discretas se ha hecho más flexible y
permite
el ajuste a la cantidad necesaria a través de las Opciones> Comando intervalos
(en las Opciones
menú o haciendo clic derecho en el histograma). Además, una rampa de color
continua se utiliza para la
barras del histograma (véase también p. 43). Islas se identifiquen y se muestran
como polígonos con 0
contigüidades.
En la Figura 24, se ilustra por contigüidad basada en la distancia con un punto de
corte distancia de 28
millas de los condados de Carolina del Norte. Como se muestra en la Figura 22
este es menor que el necesario
distancia para garantizar la conectividad de todos los condados. Como resultado,
dos condados se identifican como
15
islas. Su ubicación se muestra mediante la vinculación con el mapa base.

Figure 24: Weights characteristics with islands

Polígonos Thiessen

Herramientas> Configuración de forma> Señala Polígonos abre un diálogo para

especificar las opciones para la creación
de polígonos de Thiessen de un archivo de forma de la punta. Una nueva opción
se ha incluido, que permite el uso
de un cuadro delimitador externa para determinar la extensión de la envolvente
"rectángulo" para los polígonos.
En la interfaz, una casilla de verificación selecciona esta opción, que requiere un
archivo de forma que se especifique, como
en la Figura 25.

16
 Figure 25: Bounding box option for Thiessen polygons

La diferencia entre el defecto y el uso de esta opción se ilustra en las Figuras 26 y

27,
utilizando los centroides de los condados de Carolina del Norte que el archivo de
forma de la punta de entrada. El valor por defecto
(Figura 26) utiliza el cuadro delimitador para el archivo de puntos, que tiene los
puntos extremos en la frontera.
Típicamente, el rectángulo resultante será menor que la extensión de los
condados originales. en
Figura 27, el archivo de forma poligonal del condado se ha especificado que el
cuadro delimitador. Tenga en cuenta que ahora hay
algo de espacio entre los centroides y el límite exterior del rectángulo. Este último
es idéntico
el cuadro delimitador del archivo de forma condado, facilitando superposición en
un SIG.
Aunque esta opción proporciona un grado de flexibilidad en la fijación del cuadro
de límite, que no permite
para un cuadro delimitador forma externa que sería interna a la predeterminada
para la forma de la punta. en
Es decir, el cuadro delimitador nunca excluir puntos de los polígonos de Thiessen.

17
 Figure 26: Default bounding box for Thiessen polygons

Figure 27: Polygon-based bounding box for Thiessen polygons

18
Mapping

A Cartograma se ha añadido como un nuevo tipo de mapa y el mapa Movie

funcionalidad se ha afinado considerablemente.

cartograma

Un cartograma es un mapa donde el diseño original de las unidades de área se

sustituye por una disposición en la que
el tamaño del área es proporcional a una variable dada. GeoDa implementa un
llamado circular
cartograma, en el que el original de polígonos regulares-IR se sustituyen por los
círculos. La colocación de la
círculos es tal que el patrón original es imitado tanto como sea posible, tanto en
términos de
ubicación absoluta como en términos de posición relativa (vecinos o topología).
Esto se basa en una
algoritmo de autómatas celulares no lineal debido a Dorling (1996). El tamaño
(área) de los círculos es
proporcional al valor de la variable seleccionada.
El cartograma se invoca mediante la selección de mapa> Cartograma del menú o
haciendo clic en el
botón de la barra cartograma. En la forma habitual, aparece el cuadro de diálogo
de selección de variables. después
seleccionar la variable y haga clic en el botón Aceptar, se señala a la cartograma.
19
Por ejemplo, en la Figura 28 se muestra un cartograma para las tasas de SMSL
(1974 SIDR74) para Carolina del Norte
condados. El cartograma utiliza un código de colores para proporcionar
información adicional acerca específica
valores, como valores negativos, cero y valores atípicos. El color predeterminado
es verde. Los valores negativos
se muestran como negro y ceros como transparente (blanco en el fondo por
defecto). Valores extremos superiores son
valores extremos rojos e inferior son de color azul. La bisagra predeterminado
utilizado para identificar valores atípicos es de 1,5, lo que resulta
en cuatro de estas observaciones en la Figura 28.
El valor predeterminado para el criterio de valor extremo se puede cambiar: en el
menú de opciones y al hacer click derecho en
el cartograma, o haciendo clic en el botón correspondiente Mapa Caja barra de
herramientas. Este cuadro de diálogo se ilustra
en la Figura 29. Selección de 3 como los resultados de valor en un cartograma con
sólo un valor atípico, como en la figura
30.

20
Figure 28: Circular cartogram for North Carolina Sids rates (SIDR74)

Save I ma,;Je as
Save Selected Obs.
Background Color

Improve cartorJram with

I

Figure 29: Selection of outlier hinge in cartogram

24

21
Figure 30: Outliers in Sids rate cartogram using a hinge of 3

Save Image as
Save :OelectEod
Background

22
 Figure 31: Improving the layout of the cartogram

El cartograma utiliza un algoritmo no lineal a la posición y el tamaño de la cir-

culos, que no se
necesariamente converger a una solución aceptable después de que el número
predeterminado de iteraciones. Una opción
se proporciona para calcular un adicionales 100, 500 o 1.000 iteraciones y mejorar
la corriente
solución, como se ilustra en la Figura 31.
El cartograma se trató de la misma manera que otras ventanas cuando se trata de
cepillado y la vinculación.
Cualquier selección en otra ventana también se pone de relieve en el
cartograma, y viceversa. para
ejemplo, la Figura 32 muestra los valores atípicos en el cartograma vinculados a
su ubicación actual en el
Carolina del Norte mapa del condado.

Figure 32: Outliers in Sids rate cartogram linked to base map

Mapa Movie
23
El Mapa de la película es un intento de proporcionar una forma simple de mapa
animación en GeoDa. es
realizada por lugares destacando según su orden para una variable dada, de baja
a
alta. Esto le da el mismo efecto que cuando un gráfico de caja se cepillado de la
parte inferior a la parte superior,
una observación a la vez. El Mapa de película se lleva a cabo ya sea en una forma
acumulativa o en un
Forma individual. En la versión acumulativa, se añaden las observaciones a un
conjunto de selección acumulativa,
que en última instancia cubre todo el mapa. En contraste, en forma individual, sólo
se muestra una ubicación
en cualquier momento.
El Mapa de películas se invoca desde el menú principal, seleccione Mapa> Mapa
Película> acumulativa, o Map> Map Movie> Single o haciendo clic en el

Figure 33: Starting a cumulative map movie

Existen cinco controles principales y una barra deslizante. Se iniciará el botón

Reproducir
24
(o reiniciar) el funcionamiento de la película. La velocidad de por qué ubicaciones
se muestran en el mapa depende de la configuración de la barra de
desplazamiento. Este es un
función de la velocidad de reloj de la máquina y es dependiente del hardware.
Traslado de la
botón de la barra de desplazamiento para las velocidades dejado las cosas,
moviéndola hacia la derecha
ralentiza la película hacia abajo. El botón de pausa detiene la película, como en la
Figura 34,
y Reset borra el mapa. Después de la película está en pausa (o al principio),
los botones de flecha, >> y <<, paso a través de la película, una observación al
la vez, ya sea hacia adelante (>>) o hacia atrás (<<). Al final de un acumulativa
Mapa de película, todos los lugares son seleccionados, como en la figura 35.
El mapa de película está ligada a todas las otras ventanas en el proyecto actual.
Sin embargo, este enlace es sólo unidireccional, en el sentido de que los lugares
seleccionados
que aparecen en el mapa del cine también se destaca en las otras ventanas.
Sin embargo, las selecciones en otras ventanas no afectan el mapa película (esta
sería contrario al propósito de la animación). Más importante aún, cualquier
cambio
a las selecciones en otras ventanas durante la operación de un mapa de película
se
romper el mecanismo de enlace. Por la misma razón, no hay en el cepillado
el mapa película. Por último, si bien es posible hacerlo, no es una buena idea
ejecutar dos películas del mapa al mismo tiempo. Esto está muy bien en cuanto a
las películas a s mismos, pero el mecanismo de enlace será incompatible.
27

25
 Figure 34: Pausing a cumulative map movie

Figure 35: A completed cumulative map movie

28

Análisis exploratorio de datos

Funcionalidad GeoDa 's para el análisis exploratorio de datos se ha ampliado con

tres nuevos tipos de
gráficos vinculados en forma dinámica: la trama de coordenadas paralelas, las tres
dimensiones gráfico de dispersión, y
26
cuatro parcelas condicionales (mapa condicional, diagrama de caja, histograma y
diagrama de dispersión). Además, la
histograma y caja trazar gráficos se rediseñaron ligeramente.

Paralelo Coordinar Terreno

La trama de coordenadas paralela (PCP) es un método para explorar las

relaciones multivariantes. cada
variables en estudio se dibuja como una línea paralela en la que el (coordenadas
del)
observaciones se registran como puntos. Los puntos de coincidencia para cada
observación se conectan y
formar una línea. Como resultado de ello hay tantas líneas como las
observaciones de la PCP. Antecedentes sobre el
ideas fundamentales y las cuestiones metodológicas se pueden encontrar en,
entre otros, Inselberg (1985) y
Wegman (1990).
La PCP se puede utilizar para descubrir "grupos" entre las observaciones cuando
sus líneas muestran similares
patrones (es decir, grupo juntos de una manera distinta en el gráfico). Además, un
patrón común en
las pendientes de las líneas que unen las coordenadas en los diferentes ejes
variable indica la naturaleza de
la "correlación" entre las variables (patrón positivo o negativo, o no). El PCP es
vinculado a todos los demás gráficos y mapas y puede ser cepillado.
La coordenada Terreno en paralelo se lanzó seleccionándolo desde el menú
principal, utilizando Explorar>
Paralelo Coordinar Parcela, o haciendo clic en el botón de barra de herramientas
PCP. Esto abre la PCP
27
de diálogo de selección de variable, como en la Figura 36. Las variables se
incluyeron seleccionándolos en la izquierda
panel lateral y con el botón de flecha>. Alternativamente, >> selecciona todas las
variables, pero esto
por lo general no se recomienda para un PCP. La selección se puede modificar
mediante el botón de retroceso.
Haga clic en OK (Figura 37) para poner en marcha la trama, que produce el PCP
como se muestra en la Figura 38.

Parallel Coordinate Plot [8]

Donotnclude lrdJde
AREA PERIMETER COLUMBUS_ COLUMBUS_! POLY10
NEIG HOVAL INC
OPEN PLUMB OISCBD X

Figure 36: Variable selection for PCP

Parallel Coordinate Plot [8]

Do not rdude IneW.

AREA PERIMETER COLUMBUS_ COLUMBUS_! POLY10
NEIG OPEN
PLUMB DISCBD X
v
AREA
NSA
CRIME
AL

Figure 37: PCP variables se

lected

28
 •Parallel Coordinate Plot [Q)[8]
HOVAL LL -- ----
(17.90,96.40)

Figure 38: PCP for Columbus variables

Una mirada más cercana a la gráfica muestra el rango de

cada variable aparece entre paréntesis al lado
el nombre de la variable (en el tamaño de la mano
izquierda). El orden de los ejes (las variables) puede ser
cambiado haciendo clic en el pequeño punto al lado del
nombre de la variable (como en la Figura 39) y
arrastrándolo a "soltar" en la parte superior de la otra
variable. Como resultado de ello, cambiar los dos ejes
lugares de la parcela. Reorganizar el orden de las variables
de este modo a veces puedefacilitar el descubrimiento de
las agrupaciones y patrones.

El PCP aplicado en GeoDa tiene un número limitado de

opciones, que se invoca haciendo clic derecho

29
en el gráfico, se ilustra en la Figura 40. Los tres primeros
de estos son las opciones estándar para cualquier
Gráfico: guardar la imagen como un archivo de mapa de
bits, añadiendo las observaciones seleccionadas como una
variable ficticia para
la mesa, y cambiando el color de fondo. El último es a
menudo útil para una mejor visibilidad de los
observaciones seleccionadas, ya que el color de la
selección por defecto de color amarillo no es fácil de ver en
el
fondo blanco por defecto en la trama.
El pasado dos de las opciones de cinco opciones PCP no
son estándar. Que pertenecen a la escala utilizada para
los ejes horizontales. El valor predeterminado es mantener
las variables en sus escalas originales (esto no es
necesariamente una buena idea cuando las escalas son
muy diferentes). La alternativa es la de convertir la
Las variables a las unidades deviational estándar, que se
obtiene con la opción Set Estandarizar datos.
Se trata de un interruptor de palanca, por lo que uno de los
dos está siempre seleccionado. La Figura 41 ilustra la
estandarización sobre un fondo gris oscuro.
El PCP puede ser cepillado como cualquier otro gráfico.
Una selección rectangular se puede mover sobre las líneas
como en la Figura 42. Esto selecciona las observaciones a
juego en todos los otros gráficos abiertos y mapas.

30
Figure 39: PCP change vari- able order

Figure 40: PCP options

31
•Parollcl Coordln•tc Plot ':: [D[X

• •c
' """ "

.......'
(S,OU:))

Fig""' 41: PCP wing s ed

vm..bles

32
 Figwe 42: Brushing the PCP
32

3D Gráfico de dispersión

Exploración de datos multivariados en GeoDa es facilitada además por la inclusión

de un
diagrama de dispersión tridimensional. Esta función sigue siendo algo
experimental y puede no ser
totalmente estable en este punto. Implementa el habitual
Manipulaciones punto 3-D, tales como la rotación, zoom y traslación de la gráfica,
así como la vinculación
y el cepillado.
El gráfico de dispersión 3D se inicia como Explora> Scatter Plot 3D en el menú, o
pulsando el
correspondiente botón de la barra. Aparecerá el cuadro de diálogo Selección del
eje, como se muestra en la Figura 43. para
cada uno de los ejes en

33
Figure 43: Variable selection for 3D scatter plot

la trama, la variable se selecciona de la lista desplegable de la forma habitual.

Al hacer clic en OK genera la vista inicial de la parcela 3-D, como en la Figura 44.
Tenga en cuenta la posición de la
ejes, con el eje z que sale hacia el espectador (los ejes están codificados por
colores para facilitar el mantenimiento de
un seguimiento de ellos durante la rotación y traslación).
La trama se manipula por medio de los botones del ratón. El botón izquierdo se
utiliza para girar la trama,
el botón derecho para acercar o alejar (moviendo el ratón hacia arriba o hacia
abajo), y dos botones para traducir
la parcela (moverla hacia arriba o hacia abajo o hacia los lados). La figura 45
muestra una rotación, donde se hace el eje z
vertical (los lugares más altos del crimen son los más vertical) y los ejes xy forman
la horizontal
avión. La Figura 45 también ilustra la proyección de los puntos en uno de los
planos laterales. en
el lado izquierdo de la interfaz, la casilla de verificación junto a Proyecto xy se
comprueba, que produce
los puntos en el plano horizontal. En la ilustración, ya que los ejes X e Y son
coordenadas, se trata de la ubicación de los centroides de zona de Columbus.
34
 Figure 44: 3D scatter plot initial view

Figure 45: Rotated 3D scatter plot

La selección de observaciones en el gráfico de dispersión 3D se implementa por

medio de un tridimensional
cuadro de selección o volumen. Al marcar la casilla Seleccionar en el panel de la
izquierda se genera por defecto
volumen. Esto se puede cambiar el tamaño moviendo los deslizadores en el lado
derecho de cada uno de los

35
dimensiones, como se muestra en la Figura 46. Los puntos seleccionados
(esferas) se resaltan en amarillo.

Figure 46: Selection box in 3D scatter plot

La selección se puede cambiar (cepillado) de dos maneras diferentes. En uno, los

controles deslizantes en la
lado izquierdo en el panel junto a cada una de las dimensiones puede ser movido
para cambiar el
posición de la caja de selección a lo largo de este eje. Por ejemplo, moviendo el
control deslizante para el eje X,
como se muestra en la Figura 47, va a cambiar la posición de la caja a lo largo de
la dimensión X, pero se
mantener su posición a lo largo de las otras dos dimensiones fijas. Como
alternativa, el botón izquierdo del ratón CTRL-
permite el libre movimiento de la caja de selección en todas las dimensiones
(Figura 48).

36
Los puntos seleccionados en el gráfico de dispersión 3D se vinculan a todos los
demás
gráficos y mapas. Esto es ligeramente diferente del enfoque estándar, en el
sentido de que
la dirección de los asuntos de selección. Cuando la casilla de verificación
Seleccionar se activa en 3D
trama, los puntos seleccionados se resaltan en las otras parcelas. Sin embargo,
esto no es
continua (como en otra cepillado), pero la selección se actualiza cada vez que el
cepillo se detiene,
es decir, cada vez que el cuadro rojo en la trama deja de moverse. Esto se ilustra
en la figura
49. Alternativamente, cuando el cepillado se lleva a cabo en un mapa o un gráfico
diferente, este
invalida la casilla Seleccionar en el terreno 3D. La selección de los otros gráficos
es
resaltado en amarillo en el gráfico 3D, pero sin la caja de selección de rojo, como
se muestra enFigura 50.

Figure 47: Brushing the 3D scatter plot using the slider

37
Figure 48: Free form brushing of the 3D scatter plot

38
Figure 49: Linking between 3D scatter plot and other windows

Figure 50: Linking between map and 3D scatter plot

Terreno condicional
Las parcelas condicionales son otra manera de llevar a cabo la
exploración de datos multivariados.
El principio fundamental detrás de estas parcelas es utilizar dos
acondicionado

39
variables al subconjunto de la muestra de datos en distintas
categorías. las observaciones
en cada una de estas categorías caen en un rango específico
para el acondicionamiento
variables. Un gráfico o mapa separado se extrae de una tercera
variable en cada
de los subconjuntos. Las ideas fundamentales detrás de este
enfoque se describen en
Becker et al. (1996) y Carr et al. (2002), entre otros.
En GeoDa, cada una de las variables acondicionado puede tener
tres subconjuntos,
dando un total de nueve subgrafos. Hay cuatro tipos de parcelas
condicionales son compatibles:
un mapa condicional, diagramas de caja condicionales,
histograma condicional y
gráficos de dispersión condicionales.
Las parcelas condicionales se invocan como Explora> Terreno
condicional de
En el menú, o pulsando el botón correspondiente barra de
herramientas. Esto nos lleva a una simple
diálogo para seleccionar el tipo de gráfico, como en la Figura 51.
Con el botón de opción
marcada al lado del tipo de gráfico deseado, hacer clic en
Aceptar aparecerá la selección de variables
de diálogo.

Las variables se trasladaron a los respectivos ejes mediante la

selección de la
40
 lista desplegable y haciendo clic en el botón de
emparejamiento>, como se muestra en la Figura 52.
Después se introducen las variables para todos los ejes, OK
(Figura 53) se iniciará la
gráfico seleccionado. Desde el mapa, diagrama de caja y el
histograma son gráficos univariados,
sólo se requieren tres ejes. En el gráfico de dispersión
condicional, un cuarto eje
que se necesita (la tercera es para la variable dependiente, o eje
vertical en el
gráfico de dispersión, el cuarto de la variable explicativa, o de eje
horizontal en el
gráfico de disperse[on.

Figure 51: Types of conditional plots

41
Figure 52: Conditional plot variable selection

Figure 53: Starting up the conditional plots

14 25JGG 42 2432"-
33 24(6;

Figure 54: Conditional map plot

Los cuatro tipos de parcelas condicionales se ilustran con el ejemplo Columbus y

un muy simple

42
forma de condicionamiento. El eje X es para las coordenadas X y el eje Y de las
coordenadas Y.
En otras palabras, los nueve tramas secundarias son para lugares seleccionados
que se ajustan a la gama especificada XY. este
se muestra en la Figura 54 para un mapa de coropletas del crimen variable. Tenga
en cuenta que una rampa de color continuo
se utiliza para el mapa de coropletas.
Las categorías de las variables condicionantes se pueden cambiar al mover los
controles del eje X
la derecha oa la izquierda, y en el eje Y hacia arriba o hacia abajo. Esto alterará el
número de observaciones que caen
en cada célula y por lo tanto de alta la luz cómo el patrón de la variable en
consideración los cambios en
diferentes subconjuntos de los datos. Por ejemplo, en la Figura 55, se incluyen los
barrios adicionales
en el segundo nivel de Y moviendo la Y mango inferior. Esto es más fácil de ver en
el segundo
más alta de células en el lado de la mano izquierda, que estaba vacío en la Figura
54. También, moviendo las asas a la
derecha (eje X) o hacia arriba (eje Y) se colapsa las categorías juntas. Si esto se
hace para todos los mangos,
la trama en la esquina inferior izquierda será para el conjunto completo de datos.

43
 Figure 55: Moving the handles in the conditional plot

En la figura 56, el condicionamiento se ilustra para los diagramas de caja. En cada

una de las células, un nuevo cuadro
se dibuja nada, con el rango de los datos completo como referencia (la altura de la
caja es la misma en cada célula, y proporciona una referencia con respecto al
conjunto completo de datos).
Sin embargo, la distribución en cada célula es potencialmente diferente, con
diferentes medianas (el rojo
línea horizontal), las cercas y los valores atípicos. Los diagramas de caja siguen el
nuevo formato (véase también p. 43) y
mostrar el número de observaciones en cada celda entre paréntesis. Cuando hay
menos de cinco
observaciones en la célula (como en la esquina superior derecha de la figura 56),
se dibuja ningún gráfico de caja.

44
 Figure 56: Conditional box plot

Se adopta un enfoque similar para el histograma condicional, que se muestra en la

Figura 57. las categorías
en el histograma son fijos y se refieren a la distribución completa. Con el fin de
cambiar esta situación,
que necesitan ser ajustadas en cada célula individual. Cada una de las células en
la trama condicional
muestra las observaciones que cumplen con los criterios de acondicionamiento y
donde se comparan
en el histograma. Cada barra del histograma muestra el número de observaciones
en esa clase en la parte superior.

45
 Figure 57: Conditional histogram

Por último, el gráfico de dispersión condicional se ilustra en la figura 58 por

DELITO las variables y
INC En cada celda de una línea de regresión y su pendiente se dan si al menos
dos observaciones
presentar. La ubicación de los puntos de la trama está siempre dada. Por ejemplo,
en la parte superior derecha
de células de la figura 58, sólo hay una observación (un punto en el gráfico de
dispersión). pendientes diferentes
en las diferentes células sugerir un efecto de interacción entre las variables
acondicionado y los
relación lineal entre las dos variables consideradas. Si no hay tal interacción, a
continuación, la
46
pistas deben ser el mismo en todas las células.

44 071)(10

3!7''"00 ······················ =:::c;:=uic::::==(;===;==== ;===ci::==:::;-1

J!J:JUOU

2496000---

47
 we me me

'" '".

.
we we we

Figure 58: Conditional scatter plot

Histograma

El histograma ahora utiliza un esquema de color diferente para las barras del
histograma. en lugar de
asignación de colores al azar, se utiliza una rampa de color continuo, como se
ilustra en la Figura 59.

Box Plot

El diagrama de caja se ha rediseñado también en vez del punto azul para

representar enviado a la mediana,
esto se muestra como una línea roja que sobresale ligeramente por ambos lados
de la caja. en
Además, el número de observaciones se indica entre paréntesis en la parte
superior derecha
esquina, como se ilustra en la Figura 60.

48
 CRI"'E

Figure 59: New look histogram

49
 HOVAL
Figure 60: New look box plot

Análisis de regresión espacial

GeoDa ahora incluye algunas funciones de regresión espacial. En la versión

actual, esto sigue siendo
bastante limitada y experimental, pero funciona. La interfaz de usuario, en
particular, es todavía
rudimentaria. Los diagnósticos básicos de autocorrelación espacial,
heteroscedasticidad y
no normalidad se aplican para la regresión de mínimos cuadrados estándar.
Estimación de
modelos de error espacial lag espacial y es apoyado por el método de máxima
verosimilitud. Un
amplia visión general de la metodología relevante está más allá del alcance de
este documento, pero puede ser
encontrado en Anselin y Bera (1998).
Las técnicas de estimación implementados para la máxima verosimilitud enfoque
se basan en la
algoritmos descritos en Smirnov y Anselin (2001). Estos algoritmos se han
desarrollado para hacer frente a la
estimación de modelos de regresión espaciales en grandes conjuntos de datos.
GeoDa ha sido con éxito
aplicado a la regresión espacial en un conjunto de datos de 330.000
observaciones (estimación e inferencia eran
completar en pocos minutos). Una regresión espacial utilizando el
50
3000 + condados de Estados Unidos toma unos segundos.
La inferencia asintótica consiste en una prueba de razón verosimilitud, así como
una estimación de la
matriz de covarianza asintótica, usando un nuevo algoritmo desarrollado por
Smirnov (2003). Todos los métodos
utilizar pesos dispersas de formato GWT GAL o. Sin embargo, hasta el momento,
sólo funciona para la estimación
pesos que reflejan una disposición espacial simétrica, como pesas contigüidad o la
distancia en base
pesos (fila-estandarizada), pero no para los pesos vecino k-más cercanas.
La funcionalidad de regresión puede ser invocada de dos maneras diferentes. En
la pantalla inicial,
sin necesidad de cargar un archivo de forma, se activa al seleccionar métodos>
Regresión (véase también p. 9). Este
es el enfoque sugerido para grandes conjuntos de datos (1000 en adelante), ya
que evita la sobrecarga debido a la
la vinculación de una tabla de datos de gran tamaño. En los conjuntos de datos
más pequeños, la regresión también puede comenzar dentro de un
proyecto, mediante la selección de Regress en el menú principal. Este enfoque es
más apropiado cuando predicho
los valores y los residuos se utilizarán en el mapeo y más análisis exploratorio.

Interfaz de regresión
La función Regress comienza con un diálogo para establecer algunos parámetros
básicos para
los resultados y de salida, como se ilustra en la Figura 61. El Título del informe
puede
ser ignorado, el nombre del archivo de salida es el nombre del archivo de texto al
que el
51
resultados serán escritos. El valor predeterminado es Regression.OLS, que será el
nombre de archivo utilizado a menos que se especifique un nombre diferente,
incluso cuando el análisis
es un retraso o modelo de error.
Los siguientes tres artículos determinar alguna información adicional que puede
se incluirán en el archivo de salida:
• el valor predicho y Residual: tenga en cuenta que esto no es lo mismo
como la opción de guardar estos valores a la tabla de datos, sino que sólo afecta a
la
producción que figuran en el archivo de salida
• el coeficiente de varianza Matrix: tenga en cuenta que el (asintótica) norma
los errores son reportados a las estimaciones de los coeficientes; esta opción
se refiere a la matriz de varianza-covarianza completa (incluyendo las
covarianzas)
• la I de Moran valor z: el valor predeterminado es que este valor no se informó
ya que los cálculos involucrados son sustancialmente más lenta que las de los
las estadísticas del multiplicador de Lagrange (en la figura 61 esta opción ha sido
marcada).

Figure 61: Regression analysis output settings

52
Al hacer clic en el botón OK invocará el diálogo de especificación de la variable
para el modelo de regresión.
El cuadro de diálogo de selección de variables es aún rudimentaria. Utiliza los>,
>>, <y << para mover
variables de la lista desplegable para el cuadro variable dependiente y las
variables independientes
lista, como se muestra en la Figura 62.

Figure 62: Variable selection for regression analysis

El paso final en la creación de la especificación de la regresión consiste en se-

seleccionando un archivo de ponderaciones espaciales, como se muestra en la
Figura 63. Este utiliza la selección de archivos habitual

53
de diálogo. También tenga en cuenta que el término constante se incluye por
defecto. Sólo en casos muy raros
¿tendría sentido que desmarcar la casilla correspondiente.
El proceso descrito anteriormente es la misma para los tres regresión mode-los:
primero especificar la salida
opciones, a continuación, seleccione las variables, y cerca de elegir el archivo de
ponderaciones espaciales.

Figure 63: Spatial weights file selection

Mínimos Cuadrados Ordinarios con diagnóstico

54
La especificación del modelo se concluye mediante la selección de uno de los tres
botones de opción en el diálogo
y haciendo clic en Ejecutar para iniciar el análisis. Por ejemplo, para el modelo de
regresión clásico de esto es como
se muestra en la Figura 64. Tras el análisis ha terminado, hay tres opciones
importantes. El botón Guardar
(Figura 65) es añadir valor y residuos prevé que la tabla de datos (por ejemplo,
para la cartografía o
análisis exploratorio). Esto debe hacerse antes de escoger cualquier otra opción.
Haciendo clic en este
botón abre un cuadro de diálogo para seleccionar los nombres de variables de
estos dos elementos, como en la figura 66. Al hacer clic en
Aceptar terminado este proceso y las nuevas variables se agregan a la tabla de
datos (Figura 67).

Comprobación del botón OK (Figura 68) aparece el archivo de resultados. Tenga

en cuenta que, si varios modelos estarán
funcionar con la misma especificación, este botón no debe ser revisado. En la
configuración actual, una vez
se selecciona el botón OK, el análisis de regresión se ha terminado.
El archivo de resultados, que se muestra en la Figura 69, contiene las
estimaciones de los coeficientes, las medidas de ajuste y las
diagnósticos. Estos incluyen la prueba de Jarque-Bera de no normalidad, el
Breusch-Pagan,
Koenker-Bassett y pruebas de blancos para het-eroskedasticity y seis pruebas
estadísticas para el espacio
autocorrelación: I de Moran (incluyendo el valor de z cuando esa opción se ha
comprobado), Lagrange
Pruebas multi-alicates de retraso, error y ambas formas, así como sus homólogos
sólidos.
55
Figure 64: Starting the regression analysis, classic model

Seled: Varrab!es Dependent Variab!e

AREA PERIMETER
COLUMBUS_
COLUMBUS_I POLYID
NEIG
OPEN
PLUMB DISCBD X
y
.6HEA NS.<I NSB
EW CP
THOUS

Models
t+ Classic Spatial EriO!
Don

56
••••••••••••••••• • • •
S av e [

Cancel Reset OK

57
 Figure 65: Saving predicted values and residuals, classic model

Figure 66: Selecting variable names for saved predicted values and residuals, classic
model

58
Figure 67: Predicted values and residuals added to table

Figure 68: Finishing the regression analysis, classic model

59
Data set
Dependent Variab:'_e
Nean depends:!"!"":: vs.r
S.D. depende:!l't var

COLUMBUS
CRIME
3s.::_zcs
16. 56CS

Numbt-,r :::f OSservations: 49 fh:mber :::f · 'ac.:csbl.ss 3

46

R-zquared
Jtdjusted R squac.sd
Sum squared res::.iual:
Sigma-sqUEirS
s. E. of n:gress::.;:r. Sigma-square NL
S, E of cegressior_ I{.:;:,:

0.5524(4
0.532043
60:4. E9
l3J.!'.::9
::: 4::35
1:22.!53
1l.Qf')ij

F-st2t-:..stis
60
Frob tF- stac:isz::. -::}

Akaike ::_L o cr::_t.srion

Schwarz c:c·i":-er::.>:::-n

28.3856
:9.34074e 009
-187.377
380.754
386.43

IlJC
HOVAL

-L-5?7311
-0,273'?315 1].1031'?37

7804?£
z.D544J9

iJ.0000183
0.0108745

REGRESSION DIAGNOSTICS MULTICOLLINEARI7Y COt-E:;:z:!OU tiJY!EER

D. TEST ON NORNALI':z·:· OF ERROF.S
TEST [F

:2RO:S

Jarque-Bera
61
2 0.3993663

DIAGNOSTICS FOR HETEROSKEDASTICITY

RP.J'JDOM COEEFICIE:XTS

TEST
ErEusch Pagan tEst
Koenker-Bassett test-

CF IAI/liE:
0G;J442
5.

?ROB
0.]::;._92505
0. J5BC156

SPECIFICATION R8EFST TE2'I

TEST
Whlte

CF ViLLUE ?R03
O.:JJ12792

Gl!L
MI/DF
62
Moran's I (eru>r) J-24'?:862
Lagrange Mul'!:.iJ:.::-le:: !le;:vz1
Robust U1 1
Lagrange \ecrc:::} 1

woights)
VALUE PROB
2.9375 73 C.G033076
.7590"]71 c. 0030792
.C72:?37 C.0796429
5.8143?99 C.0158911

Robust LM (ect:or) 1 . 127:465

.7214092

Lagrangs i'h.:ltip:::.er (-3AR!'-':fll 2

"""'"""'"'"""'"""'"""'"'"""'"""'"""'""="'"""'"""' El'I:J- :JE REPORT

. G87JS36

.0117544

63
Figure 69: Results, classic model

64
Máxima verosimilitud en el modelo de retardo espacial

El proceso para el modelo retardo espacial es esencialmente la misma que para el

modelo clásico. El único
diferencia es que el botón de retardo espacial debe ser revisado, como en la figura
70. El Ahorro y
Aceptar trabajar de la misma manera. Para el modelo de retardo espacial, hay una
distinción entre la
residual y el error de predicción. Esta última es la diferencia entre el valor
observado y la
valor predicho que utiliza sólo las variables exógenas, en lugar de tratar el retardo
espacial W y como
observado.

65
 Figure 70: Spatial regression analysis, lag model

Los resultados que constará de los coeficientes estimados y su asinto-

errores Totic y t-test, las medidas de ajuste (probabilidad de registro, AIC y SC), un
Breusch-Pagan para heteroscedasticidad, y una prueba de razón verosimilitud en
el parámetro de retardo espacial.
Figura 71: Resultados, modelo de retardo espacial
54

66
 Figure 71: Results, spatial lag model

Máxima verosimilitud en el modelo de error espacial

El proceso para el modelo retardo espacial es esencialmente el mismo que para

los modelos clásicos y el retraso.
La única diferencia es que el botón de retardo espacial debe ser revisado, como
en la figura 72. la
Guardar y trabajo bien de la misma manera. Para el error espacial, el error de
predicción es la diferencia
entre la observada y prevista y, mientras que los "residuos" son los residuos
filtrados espacialmente.

67
 Figure 72: Spatial regression analysis, error model

Los resultados que constará de los coeficientes estimados y su asinto-

errores Totic y t-test, las medidas de ajuste (probabilidad de registro, AIC y SC),
una prueba Breush-Pagan para
heteroscedasticidad, y una prueba de razón verosimilitud del parámetro de error
espacial.

68
 •Regression.OLS

REGRESSION
SUMMARY OF OUTPUT: SPATIAL ERROR MODEL - MAXIMUM LIKELIHOOD ESTIMATION Data
set COLUMBUS

Spatial Weight Dependent Variable Mean dependent var S.D. dependent var Lag coeff. (Lambda)

colrook.GAL
CRIME Number of Observations: 49
35. 128824 Number of Variables 3
16.560476 Degree of Freedom 46
0.548474

R-squared
Sq. Correlation
Sigma-square
S.E of regression

0. 653718 R-squared (BUSE) Log likelihood

94.967743 Akaike info criterion
9.74514 Schwarz criterion

-181.894632
369.789
375.464725

Variable Coefficient Std.Error z-value

Probability

CONSTANT 60.37519 5.32507 11.33791 0. 0000000

INC -0 9610436
0 0.3311456 -2.902179 0. 0037059

69
 HOVAL -0.3031981 0.09264126 -3.27282 0. 0010649
LAMBDA 0.548474 0. 1313791 4.174744 0. 0000299

REGRESSION DIAGNOSTICS
DIAGNOSTICS FOR HETEROSKEDASTICITY RANDOM COEFFICIENTS
TEST
Breusch-Pagan test

DF VALUE
2 18 10319
0

PROB
0. 0001172

DIAGNOSTICS FOR SPATIAL DEPENDENCE

SPATIAL ERROR DEPENDENCE FOR WEIGHT MATRIX : colrook.GAL TEST
DF VALUE Likelihood Ratio Test 1 10.96521

PROB
0. 0009284

========================= END OF REPORT ==============================

Figure 73: Results, spatial error model

Bibliography
Anselin, L. (2003). GeoDa 0.9 User’s Guide. Spatial Analysis Laboratory
(SAL). Department of Agricultural and Consumer Economics, University
of Illinois, Urbana-Champaign, IL.
Anselin, L. and Bera, A. (1998). Spatial dependence in linear regression
models with an introduction to spatial econometrics. In Ullah, A. and
Giles, D. E., editors, Handbook of Applied Economic Statistics, pages 237–
289. Marcel Dekker, New York.
Becker, R. A., Cleveland, W., and Shyu, M.-J. (1996). The visual design
and control of Trellis displays. Journal of Computational and Graphical
Statistics, 5:123–155.
Carr, D. B., Chen, J., Bell, S., Pickle, L., and Zhang, Y. (2002). Interactive
linked micromap plots and dynamically conditioned choropleth maps. In
Anselin, L. and Rey, S., editors, New Tools for Spatial Data Analysis: Proceedings
of the Specialist Meeting. Center for Spatially Integrated Social
Science (CSISS), University of California, Santa Barbara. CD-ROM.
Dorling, D. (1996). Area Cartograms: Their Use and Creation. CATMOG
70
59, Institute of British Geographers.
Inselberg, A. (1985). The plane with parallel coordinates. Visual Computer,
1:69–91.
Smirnov, O. (2003). Computation of the information matrix for models of
spatial interaction. Technical report, Regional Economics Applications
Laboratory (REAL), University of Illinois, Urbana-Champaign, IL.
Smirnov, O. and Anselin, L. (2001). Fast maximum likelihood estimation
of very large spatial autoregressive models: A characteristic polynomial
approach. Computational Statistics and Data Analysis, 35:301–319.
57
Wegman, E. J. (1990). Hyperdimensional data analysis using parallel coordinates.
Journal of the American Statistical Association, 85:664–675.
58

71