El objetivo básico de SAR es describir los posibles efectos indirectos entre diferentes unidades (regiones). La idea es permitir que la variable dependiente [matemática] y [/ matemática] de la unidad (región) [matemática] i [/ matemática] [matemática] (y_i [/ matemática]) dependa de los valores de la misma variable de otras otras unidades (regiones) ([math] y_j [/ math] para todos [math] j \ neq i [/ math]). Es autorregresivo en el sentido de que la variable depende de sí misma, pero de diferentes unidades, similar al modelo autorregresivo estándar en series de tiempo.
En términos de ventaja, se puede argumentar que permite una prueba relativamente simple de los posibles efectos de desbordamiento espacial entre regiones porque prácticamente todos los efectos de desbordamiento espacial son capturados por un parámetro. Es una especificación simple para capturar relaciones bastante complicadas. Esta simplicidad, sin embargo, tiene un costo. Es decir, para que la prueba sea confiable, uno debe poder especificar las relaciones espaciales potenciales antes a través de la matriz de ponderación. Si bien existen varias extensiones del modelo SAR simple, la especificación de la matriz de ponderación sigue siendo importante.
- Cómo construir una consulta a partir de una pregunta de lenguaje natural en Python
- ¿Qué debo tomar Machine Learning o realidad aumentada?
- ¿Cuál es el flujo de trabajo típico para usar el aprendizaje profundo para resolver un problema?
- ¿Qué sucede cuando las computadoras aprenden a componer música mejor que los humanos?
- ¿Cómo funciona el CAPTCHA 'No soy un robot'?
