Interpretando los Mapas de Eigenvectores de Moran con la Estadística Gi* de Getis-Ord

Las matrices de pesos espaciales utilizadas en la geografía cuantitativa proporcionan mapas con sus respectivos eigenvectores latentes, cuyas distribuciones geográficas retratan distintos componentes de autocorrelación espacial (SA). Estos patrones poligonales en los mapas tienen un significado específico, parcialmente en términos de escala geográfica, que este artículo describe. El objetivo de esta descripción es permitir que los analistas espaciales comprendan e interpreten mejor estos mapas de forma individual, así como las combinaciones de ellos, al tener en cuenta la SA en un análisis espacial. Las combinaciones lineales de mapas de eigenvectores de Moran suministran una herramienta poderosa y relativamente simple que puede explicar la SA en los residuos de regresión, con la capacidad de generar reproducciones razonablemente precisas de distribuciones geográficas empíricas con o sin la ayuda de covariables sustantivas. El enfoque de este artículo es la SA positiva, la naturaleza de autocorrelación más comúnmente encontrada en datos georreferenciados. La principal contribución innovadora de este artículo es establecer una mejor aclaración de lo que las variantes sintéticas de SA extraídas de las matrices de pesos espaciales epitomizan en relación con clústeres globales, regionales y locales de valores similares en un mapa. Este artículo muestra que la estadística Gi* de Getis-Ord proporciona una herramienta útil para clasificar los mapas de eigenvectores de Moran en estas tres categorías cualitativas, ilustrando los hallazgos con una variedad de paisajes geográficos de muestra.