Quantile Regression for Spatial Data

تحلیل رگرسیون چندگانه در تأکید بر توزیع‌ها با مدل‌های رگرسیون معمولی متفاوت است. در حالی که رویه‌های رگرسیون استاندارد نشان می‌دهند که چگونه مقدار مورد انتظار متغیر وابسته به تغییر در یک متغیر توضیحی پاسخ می‌دهد، رگرسیون‌های چندتایی دلالت بر تغییرات پیش‌بینی‌شده برای کل توزیع متغیر وابسته دارند. علیرغم مزایای آن، رگرسیون چندکی هنوز معمولاً در تجزیه و تحلیل داده های مکانی استفاده نمی شود. هدف این کتاب این است که روش‌های رگرسیون کمی را برای محققانی که با مجموعه‌های داده‌های مکانی کار می‌کنند قابل دسترس‌تر کند. تاکید بر تفسیر نتایج رگرسیون چندکی است. مجموعه‌ای از مثال‌ها با استفاده از مجموعه‌های داده‌های شبیه‌سازی‌شده و واقعی نشان می‌دهند که چگونه می‌توان نتایج رگرسیون چندکی به ظاهر پیچیده را با مجموعه‌هایی از نمودارهای خوب تفسیر کرد. هر دو نسخه پارامتری و ناپارامتریک مدل‌های فضایی به تفصیل در نظر گرفته شده‌اند.

Quantile regression analysis differs from more conventional regression models in its emphasis on distributions. Whereas standard regression procedures show how the expected value of the dependent variable responds to a change in an explanatory variable, quantile regressions imply predicted changes for the entire distribution of the dependent variable. Despite its advantages, quantile regression is still not commonly used in the analysis of spatial data. The objective of this book is to make quantile regression procedures more accessible for researchers working with spatial data sets. The emphasis is on interpretation of quantile regression results. A series of examples using both simulated and actual data sets shows how readily seemingly complex quantile regression results can be interpreted with sets of well-constructed graphs. Both parametric and nonparametric versions of spatial models are considered in detail.