REGRESSÃO ESPACIAL

Vitor Vieira Vasconcelos

Flávia da Fonseca Feitosa
BH1350 – M étodos e Técnicas de Análise da I nformação para o Planejamento
Agosto de 2017
 ANÁLISE DE REGRESSÃO
Análise de regressão é uma ferramenta estatística
que utiliza a relação entre duas ou mais variáveis tal
que uma variável possa ser explicada (Y  variável
resposta/ saída/dependente) pela outra ou outras (X
 variáveis indicadoras/ preditoras/ explicativas/
independentes).

Y = aX + b

NETER J. et al. Applied Linear Statistical Models. Boston, MA: McGraw-Hill, 1996.
 Etapas da Análise de Regressão
1. Seleção e Preparação das Variáveis

2. Escolha e Ajuste do Modelo de Regressão

3. Diagnóstico para verificar se o modelo ajustado é

adequado

 Ajuste do modelo (R2, Teste F, Testes t para coef., etc.)

 Multicolinearidade (FIV)

 Análise dos Resíduos

 Análise dos Resíduos
Se modelo for adequado, resíduos devem refletir as
propriedades impostas pelo termo de erro do modelo.

LINEARIDADE DO MODELO
Resíduo

X
Não Linearidade
 Análise dos Resíduos
NORMALIDADE DOS RESÍDUOS: Suposição essencial para
que os resultados do ajuste do modelo sejam confiáveis.

Outros diagnósticos: Shapiro-Wilk, Anderson-Darling,

Kolmogorov-Smirnov
 Análise dos Resíduos
HOMOCEDASTICIDADE (Variância Constante)

Variância Não Constante

Resíduo

Outros diagnósticos: Teste de Breush-Pagan, Goldfeld-Quandt

 Análise dos Resíduos
PRESENÇA DE OUTLIERS
Gráfico resíduos padronizados vs. Valores Ajustados

0,8
Resíduos Padronizados

0,6

0,4

0,2

0
150 155 160 165 170 175 180 185
-0,2

-0,4
X

Pontos Influentes: DFFITS, DFBETA, Distância de Cook.

 Análise dos Resíduos
INDEPENDÊNCIA
Gráfico resíduos padronizados vs. Valores Ajustados
Resíduo

X
Erros Correlacionados

Outros Diagnósticos: Teste de Durbin-Watson

Autocorrelação espacial: Mapa dos resíduos, Índice de Moran
 Análise dos Resíduos
MODELO ADEQUADO

0
Resíduo

X
 Análise dos Resíduos

DADOS ESPACIAIS
Caso a hipótese de independência espacial das
observações seja FALSA  DEPENDÊNCIA ESPACIAL

EFEITOS ESPACIAIS: Se existir forte tendência ou

correlação espacial, os resultados serão
influenciados, apresentando associação estatística
onde não existe (e vice-versa)
 Análise dos Resíduos
Como verificar?
Medir a autocorrelação espacial dos resíduos da
regressão (ex. Índice de Moran dos resíduos)

Dica para o trabalho final do curso

• Exportar tabela com os resíduos do modelo de regressão (SPSS)
• Unir esta tabela com o shapefile original (“união” no QGIS) e
visualizar os resíduos (Mapa dos resíduos)
• Os resíduos estão espacialmente correlacionados? Calcular o Índice
de Moran dos resíduos no GeoDa (com teste de pseudo-
significância)
 Exemplo
São José dos Campos
Crescimento Populacional 1991-2000 X Densidade Populacional 1991

1. Mapear os resíduos da
regressão – índícios de
correlação
2. Índice de Moran sobre
mapa de resíduos
I=0,45
3. Testes de pseudo-
significância indicam
autocorrelação
espacial significativa
Autocorrelação Espacial Constatada!!!

 As observações não são independentes espacialmente

 Portanto... temos uma violação das nossas premissas

 Dependendo da natureza da dependência, parâmetros

estimados pelo método dos mínimos quadrados será
ineficiente ou inconsistente

E agora?
 Regressão Espacial
Incorpora a estrutura de dependência
espacial no modelo
PREMISSA:
 Assumimos que conhecemos a estrutura de dependência
espacial (ela não é estimada)
 Premissa forte? Sim!
 Porém não tão forte quanto assumir que todas as
observações são independentes espacialmente
 Matrizes de ponderação tipicamente consideradas:
contiguidade (rainha, torre... e em diferentes ordens de
contiguidade) ou distância (n vizinhos mais próximos...);
 Regressão Espacial

Podem ser globais ou locais

Globais: inclui no modelo de regressão um parâmetro

para capturar a estrutura de autocorrelação
espacial na área de estudo como um todo

Locais: parâmetros variam continuamente no espaço

 Global vs. Local
Global Local
Estatísticas dizem respeito à região Disagregações locais das estatísticas
como um todo (1 valor) globais (Muitos valores)
Estatísticas globais e não mapeáveis Estatísticas locais e mapeáveis

Ênfase nas similaridades da região Ênfase nas diferenças ao longo do

espaço
Procura regularidades ou “leis” Procura por exceções ou “hot-spots”
locais
Ex.: Regressão Clássica, Spatial Lag, Ex.: GWR, Regimes Espaciais
Spatial Error

Adaptado de: Fotheringham, A.S., Brunsdon, C., and Charlton, M.E., 2002, Geographically Weighted Regression: The
Analysis of Spatially Varying Relationships, Chichester: Wiley.
Modelos com Efeitos Espaciais Globais
PREMISSA
É possível capturar a estrutura de correlação espacial num
único parâmetro (adicionado ao modelo de regressão).

Alternativas
Spatial Lag Models (SAR): atribuem a autocorrelação
espacial à variável resposta Y (Spatial Autoregressive Modeling)

Spatial Error Models (CAR): atribuem a autocorrelação ao

erro (Conditional Autoregressive Modeling)
 Modelo Spatial Lag
PREMISSA: A variável Yi é afetada pelos valores da
variável resposta nas áreas vizinhas a i.

Y = ρWY + Xβ + ε

ρ = coeficiente espacial autoregressivo - medida de correlação

espacial (ρ = 0, se autocorrelação é nula - hipótese nula)
W = matriz de proximidade espacial
WY expressa a dependência espacial em Y

Exemplo: Valor dos imóveis

 Modelo Spatial Error
PREMISSA: As observações são interdependentes
graças a variáveis não mensuradas, e que são
espacialmente correlacionadas

Ou seja: efeitos espaciais são um ruído!

Por que ele ocorre? Porque não conseguimos modelar todas as

características de uma unidade geográfica que podem influenciar
as regiões vizinhas.

Assume que, se pudéssemos adicionar as variáveis certas para

remover o erro do modelo, o espaço não importaria mais.
 Modelo Spatial Error
MODELO:

Y = Xβ + ε
ε = ρWε + ξ

Wε = erro com efeitos espaciais

ρ = medida de correlação espacial
ξ = componente do erro com variância constante e não
correlacionada.
 Spatial Lag & Spatial Error
DIAGNÓSTICO PARA AUXILIAR NA ESCOLHA
DE UM MODELO OU OUTRO

Testes Multiplicadores de Langrange

(Langrange Multiplier Tests, Anselin et al. 1996)

 Executa regressão dos resíduos em relação às variáveis

originais e aos resíduos das áreas vizinhas
 LM-Lag: testes para dependência em relação às variáveis
originais nas áreas vizinhas – lag dependence
 LM-Error: testes para dependência em relação aos resíduos
nas áreas vizinhas - error dependence
 Se ambos forem significativos, utilizar LM-Lag e LM-Error
robustos
 Spatial Lag & Spatial Error

Motivações diferentes, porém próximos

em termos formais

Ambos partem do pressuposto de que

o processo espacial analisado é estacionário
e pode ser capturado em um único parâmetro.
Porém isto nem sempre é verdade!

É importante verificar se padrões diversos de

associação espacial estão presentes

Uma Solução Exploratória:

Indicadores Locais de Autocorrelação Espacial
Indicadores Locais de Associação
Espacial (LISA)

Distribuição dos valores

de correlação local para
o índice de exclusão

% Exclusão

Não significantes
p = 0.05 [95% (1,96s)]
p = 0.01 [99% (2,54s)]
p = 0.001 [99,9% (3,2s)]
Modelos com Efeitos Espaciais Locais

Modelos de Regressão com Efeitos Espaciais DISCRETOS

Variações espaciais modeladas de maneira discreta
 Regimes Espaciais

Modelos de Regressão com Efeitos Espaciais CONTÍNUOS

Variações espaciais modeladas de forma contínua, com
parâmetros variando no espaço
 Geographically Weighted Regression – GWR
[Regressão Geograficamente Ponderada]

Quantitative Geography; A. S. Fotheringham, C. Brunsdon, M. Charlton, 2000 (print 2004)

 Regimes Espaciais
A ideia é regionalizar a área de estudo obtendo
sub-regiões com seu padrão próprio.

Realizar regressões separadas para cada sub-região.

 Regimes Espaciais

Regionalizações da área de estudo

Diferentes tipos de variabilidade

espacial

Métricas: Diagrama de
espalhamento e índices locais e
globais – regionalização tipo k-
medias espacial

Ex: Regimes espaciais para índice

de exclusão
Diagnóstico de Modelos de Efeitos Espaciais
1. Análise gráfica dos resíduos
2. Mapear os resíduos – concentração de resíduos
negativos ou positivos em parte do mapa indica
presença de autocorrelação espacial
3. Índice de Moran dos resíduos
4. Indicadores de qualidade de ajuste dos modelos
baseados no coeficiente de determinação (R2) serão
incorretos
5. Utilização do AIC – critério de informação de Akaike, a
avaliação do ajuste é penalizada por função do
número de parâmetros (é preferível o modelo com o
menor valor AIC)
 Comparação das Regressões
Longevidade X Renda em
São José dos Campos

Regressão Spatial Lag Regimes

Simples Espaciais
R2 ajustado 0.280 0.586 0.800

AIC 379.84 306.51 260.09

Índice de Moran dos 0.62 0.01 0.02

resíduos
GWR – Geographically Weighted Regression

Ajusta um modelo de regressão a cada ponto

observado, ponderando todas as demais
observações como função da distância a este ponto

Y(i) = β(i)X + ε

Y(i): variável que representa o processo no ponto i.

β(i): parâmetros estimados no ponto i.

Quantitative Geography; A. S. Fotheringham, C. Brunsdon, M. Charlton, 2000 (print 2004)

GWR – Geographically Weighted Regression

y = b0 + b1x1 + e  regressão “clássica” simples com um preditor

b0 , b1 são os mesmos para toda área

Se existe alguma variação geográfica na relação essa

variação fica incluída como erro.
GWR – Geographically Weighted Regression

y(i) = b0(i) + b1(i) x1 + e(i)  GWR

b0(i), b1(i)  para cada ponto i do espaço há um b0 e b1 diferentes

Existe uma função (kernel) sobre cada ponto do espaço

que determina todos os pontos da regressão local
que é ponderada pela distância. Pontos mais
próximos do ponto central tem maior peso.

Assim como no kernel – a escolha da largura da banda é

importante (pode ser fixa ou adaptável à densidade
dos dados)
GWR – Geographically Weighted Regression
GWR – Geographically Weighted Regression
FUNÇÃO DE PONDERAÇÃO

LARGURA DE BANDA

Adaptado de: Fotheringham, A.S., Brunsdon, C., and Charlton, M.E., 2002, Geographically Weighted Regression: The
Analysis of Spatially Varying Relationships, Chichester: Wiley.
 Ajuste do Modelo GWR
Modelos Locais vs. Modelos Globais

 Mesmas técnicas de análise do ajuste do modelo,

porém comparação é problemática

 GWR apresentará sempre melhores ajustes pois

envolve o ajuste de muito mais parâmetros

 Sugestão: medida AICc, que leva em consideração a

complexidade do modelo e a quantidade de casos
amostrados.
GWR – Geographically Weighted Regression
Os parâmetros podem ser apresentados visualmente para
identificar como se comportam espacialmente os
relacionamentos entre as variáveis
Ex: Crescimento Pop. (resposta) X Densidade Pop. (preditora)
GWR – Geographically Weighted Regression

Ex: Crescimento Pop. (resposta) X Densidade Pop. (preditora)

Mapa de resíduos (I = 0,04) :
Resíduos da Regressão Convencional
 EXEMPLO
Consumo de Água per Capita (resposta) X Renda per capita (preditora)

Distribuição espacial de consumo residencial de água e renda da população em 2010.

Fonte: SNIS (2010) e IBGE (2010).
CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo
Urbano de Água no Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS.
 Análise Exploratória
Consumo de Água per Capita
(m3/dia/ano)

Renda per Capita (R$)

MODELO DE REGRESSÃO LINEAR GLOBAL

Consumo de Água per Capita (resposta) X Renda per capita (preditora)

CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo Urbano de Água n
Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS.
Mas será que esta relação,
entre consumo de água e
renda, ocorre da mesma
maneira em todo o país???

O ESPAÇO IMPORTA!!!
GWR – Geographically Weighted Regression
Consumo de Água per Capita (resposta) X Renda per capita(preditora)
GWR:

CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo Urbano de Águ
no Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS.
GWR – Geographically Weighted Regression
Consumo de Água per Capita (resposta) X Renda per capita(preditora)

Os menores coeficientes
estimados para a variável
RENDA foram observados em
municípios do Estado do Rio
Grande do Sul ...

....e os maiores em Alagoas.

CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo Urbano de Águ
no Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS.
GWR – Geographically Weighted Regression
Consumo de Água per Capita (resposta)
X Renda per capita(preditora)

Região do Município de Traipu (AL)  maior coeficiente estimado

Um aumento de R$ 1 na renda per capita da população está associado a um
incremento do consumo de água de 100,3 ml/dia/hab.

Região do município de Floriano Peixoto (RS)  um dos menores coeficientes

significativos (t-valor > 1,96):
Um aumento de R$ 1 na renda per capita da população está associado a um
aumento do consumo de 10,22 ml/dia/hab.

Hipóteses???
CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo Urbano de Águ
no Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS.
 Considerações sobre os Resultados

De maneira geral, as regiões apresentadas como

aquelas onde a elevação da renda está relacionada a
um maior incremento do consumo (áreas mais
escuras) tendem a coincidir com as áreas onde o
aumento do poder de consumo – que acompanhou
o recente processo de estabilização econômica,
crescimento econômico e ampliação dos programas
redistributivos – apresentou os maiores impactos na
redução da pobreza e extrema pobreza do país.

CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo Urbano de Água
no Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS.
 Considerações sobre os Resultados
São regiões onde a redução da pobreza ampliou de
maneira expressiva o acesso a recursos básicos para a
manutenção de vida desta população, entre eles a
água potável.

Já em regiões como a Sul, caracterizada por níveis

mais elevados de renda, um aumento na renda tende
a gerar um impacto menor no aumento do consumo
de bens essenciais como a água e, provavelmente,
maior no consumo de bens de outra natureza.

CARMO, Roberto Luiz do; DAGNINO, Ricardo Sampaio; FEITOSA, Flávia da Fonseca; JOHANSEN, Igor Cavallini; CRAICE, Carla. População, Renda e Consumo Urbano de Água
no Brasil: Interfaces e Desafios. XX Simpósio Brasileiro de Recursos Hídricos. 17 a 22 de novembro de 2013. Bento Gonçalves, RS.
 Softwares
GeoDa
Índice de Moran, LISA maps,
Regressão Clássica e Espacial (Spatial Lag & Spatial Error)

GeodaSpace
Regressão Clássica e Espacial
(Regimes Espaciais, Spatial Lag & Spatial Error)

SPRING e Terraview
Índice de Moran, LISA map

GWR 4.0
GWR
 PRÁTICA
Regressão Espacial

 Spatial Lag e Spatial Error com o Software GeoDa

 GWR com o Software GWR 4.0