MGWR（Multiscale Geographic Weighted Regression多尺度地理加权回归）

一，概念

经典GWR由Fotheringham在1996年提出，基于构建空间权重矩阵的回归模型，普遍用于空间的影响因素分析上。SGWR（半参数地理加权回归）由Fotheringham提出，有些学者叫做混合地理加权回归，仅能将不同变量的影响尺度分成全局和局部两类，无法进一步细分，MGWR由2017年由Fotheringham提出，Yu等在2019年补充完善了MGWR的统计推断，从而使得该方法可以普遍地用于实证研究中。2020年沈体雁首次将该模型用于北京市的房价分析上。Fast GWR（快速地理加权回归），2019年由Li提出。

2 软件介绍

2.1软件下载

该软件可以在Alisona State University（ASU）免费下载，目前最新的版本是2.2.1版本。另有Python版本的源码可供下载。

2.2软件操作

 

 

 

 

 

 

 

 

 

 

 

 

三，实战

从网上爬取上海市星巴克的POI数据，地铁，路网，办公楼，商场数据。

将数据通过核密度分析并赋值到点要素上，导出为xlsx，xls，dbf文件。在MGWR中打开处理好的文件进行运行即可。

 

四，总结

该实验通过最小二乘法（OLS）地理加权回归模型（GWR）和多尺度地理加权回归模型（MGWR）分析了上海市星巴克分布的影响因素，

结论1：MGWR和GWR相比OLS都具有更好的拟合优度，MGWR在本实验中并无明显优势，而GWR相比MGWR拥有更快的速度。

结论·2：MGWR和GWR相比OLS会显著提高线状影响因素的影响比重。