‹ retour au glossaire du SIG
Régression géographique pondérée
Définition
La régression géographique pondérée, souvent appelée régression géographiquement pondérée (GWR), est une technique de modélisation locale qui estime comment les relations entre une variable dépendante et des prédicteurs varient dans l'espace. Au lieu d'un seul coefficient global par prédicteur, la GWR ajuste une régression distincte à chaque emplacement en utilisant des observations proches pondérées par un noyau et une largeur de bande. Le résultat est une surface de coefficients, de résidus et de diagnostics qui révèlent la non-stationnarité spatiale. Les analystes peuvent ainsi voir où les revenus prédisent fortement les ventes, où la pollution de l'air est plus sensible au trafic, ou encore où les prix de l'immobilier réagissent à la qualité des écoles. Cette méthode complète les modèles globaux en mettant en évidence le contexte local.
Application
Les praticiens utilisent la GWR pour l'évaluation immobilière, les résultats en matière de santé, l'exposition environnementale, la demande de détail et la sécurité des transports. Elle aide les planificateurs à comprendre les facteurs locaux et à concevoir des politiques spécifiques à chaque lieu. La GWR produit des rasters de coefficients et des cartes de R-carré local qui indiquent où les modèles s'ajustent bien et où d'autres variables peuvent manquer. Combinée à la validation croisée et à des diagnostics minutieux, la GWR devient un outil d'exploration et d'explication puissant.
FAQ
Qu'est-ce que la régression géographique pondérée dans les SIG et quand devriez-vous la choisir plutôt que la méthode des moindres carrés ordinaires ?
La GWR est une régression variant dans l'espace qui calibre un modèle local à chaque emplacement à l'aide de voisins pondérés par la distance. Choisissez-la lorsque vous soupçonnez que les relations changent dans l'espace, par exemple lorsque le comportement du marché diffère selon le quartier ou que la réponse environnementale varie avec le terrain. Utilisez la méthode des moindres carrés ordinaires lorsqu'une relation globale unique est appropriée et que la simplicité est une priorité.
Comment exécuter correctement la GWR, choisir la largeur de bande et interpréter les cartes de coefficients ?
Préparez les variables prédictives avec des échelles similaires et vérifiez la colinéarité. Sélectionnez un type de noyau et étalonnez la largeur de bande par validation croisée ou AICc. Ajustez le modèle, puis cartographiez les coefficients locaux, les erreurs types et les résidus. Recherchez une structure spatiale significative et comparez-la aux connaissances du domaine. Les zones présentant un ajustement médiocre peuvent nécessiter de nouvelles variables ou une échelle d'analyse différente.
Quels pièges peuvent conduire à des résultats de GWR trompeurs et comment les analystes peuvent-ils les éviter ?
Les pièges courants comprennent le surajustement avec une largeur de bande trop étroite, la colinéarité multiple qui gonfle la variance locale, le fait d'ignorer les tests multiples lors de l'interprétation de nombreux coefficients locaux, et la confusion entre corrélation et causalité. Évitez les problèmes en standardisant les variables, en testant plusieurs largeurs de bande, en appliquant des corrections pour les comparaisons multiples et en validant par rapport à des données exclues ou à une période indépendante.
Quels sont les exemples concrets où la GWR a produit des informations exploitables pour les politiques ou les entreprises ?
Une ville a utilisé la GWR pour découvrir que la vitesse de circulation expliquait la gravité des accidents dans les banlieues excentrées, tandis que la densité des intersections importait au centre-ville, ce qui a permis d'orienter des interventions ciblées. Un détaillant a appris que la proximité des transports en commun prédisait les ventes sur les marchés urbains, mais que l'offre de stationnement prédominait sur les marchés périurbains. Une agence de santé a découvert que les hospitalisations dues à l'asthme étaient liées aux logements anciens uniquement dans un sous-ensemble de quartiers, ce qui a guidé les programmes de rénovation domiciliaire.
