GeoDa下载_GeoDa最新版下载[数据分析]

      GeoDa最新版是一款使用便捷的空间数据分析软件，GeoDa最新版能够做空间自相关分析，GeoDa最新版通过探索和建模空间模式为用户提供了全新的空间数据分析视角，软件可以运行在Windows、MacOSX
和linux系统上。软件提供了友好的用户界面以及丰富的用于探索性空间数据分析(ESDA)的方法，比如空间自相关统计(spatial
autocorrelation statistics)和基本的空间回归分析(spatial regression analysis)。

软件介绍

      GeoDa最新版是一个免费、开源的空间数据分析软件。 通过探索和建模空间模式，GeoDa向用户提供了全新的空间数据分析视角。

      GeoDa是由 Luc Anselin 博士和其团队开发的.
该程序提供了友好的用户界面以及丰富的用于探索性空间数据分析(ESDA)的方法，比如空间自相关统计(spatial autocorrelation
statistics)和基本的空间回归分析(spatial regression analysis)。

      从2003年2月GeoDa发布第一个版本以来， GeoDa的用户数量 成倍的增长。截止2017年6月，GeoDa的用户数量已经超过了20万。
包括哈佛，麻省理工、康奈尔等著名大学都在实验室中安装并使用GeoDa软件。GeoDa软件得到了用户和媒体广泛的好评，被称之为“一个非常重要的分析工具”，“一款制作精良的软件”，有着“激动人心的进展”。

      GeoDa最新发布的版本是1.14。新版本包含了很多新的功能，比如：单变量和多变量的局部Geary聚类分析，集成了经典的(非空间)聚类分析方法(PCA，K-Means,Hierarchical聚类–详细请参考Hoon
et al’s 2013 “C Clustering
Library”)。同时GeoDa也支持更多的空间数据格式，支持时空(space-time)数据，支持包括Nokia和Carto提供的底图(Basemap)显示，均值比较图表(averages
charts)，散点图矩阵(scatter plot matrices)，非参数的空间自相关图(nonparametric spatial
autocorrelation–correlogram)，以及灵活的数据分类方法(flexible data categorization)。

软件特色

      GeoDa支持更多的空间数据格式

      引入GDAL软件库后，GeoDa目前可以支持多种矢量数据格式，包括：ESRI Shapefile、ESRI
geodatabase、GeoJson、MapInfo、GML、KML等。同时GeoDa也能从表格数据(如：.csv、.dbf、.xls、.ds)中通过制定坐标数据(X，Y或者经纬度)来创建点空间数据。

      通过相互关联的地图和图表探索统计结果

      与将原始数据可视化为地图的程序不同，GeoDa专注于通过链接的地图和图表探索统计测试和模型的结果。

      时空模式分析

      您现在可以在新的时间编辑器中对同一变量进行跨时间段的分组，以探索跨时空的统计模式。然后用时间播放器探索随着时间变化而变化的视图的结果。

      添加包括Nokia和CartoDB提供的底图(Basemap)

      如果你的空间数据是投影(.prj文件)，你现在可以在任何地图视图中添加一个基图，包括聚类图，以获得更好的定位和地面实测结果。

      时空数据的均值比较

      一个新的平均数图表比较在时间和/或空间上的平均数，并测试这些平均数的差异是否显著。例如，首先选择是否要比较同一时间段内选定的观测值与未选定的观测值的平均值，或者比较不同时间段的所有观测值。然后，一个基本的前-后/影响-控制检验表明你的结果是否在时间和空间上发生了变化(使用F检验和差异检验)。

      检测多元空间关系

      通过散点图矩阵，可以同时探索多个二变量的相关关系。在这个例子中，我们展示了旧金山市选定的、未选定的和所有警察分局的回归斜率，以探索四种犯罪类型之间的关系。

      检测随时间的变化在空间上聚集

      使用全局或局部差分Moran’s
I检验来找出一个变量在特定地点的变化是否与邻近地区的变化有统计学上的关系。例如，这个局部(LISA)聚类图显示了2002年至2008年期间纽约的热点地区的儿童比例变化较大(而冷点的变化较小)。

      单/多变量的空间聚类分析

      Luc Anselin(2017)最近用一个新的空间关联的局部指标对Geary的c进行了扩展。这被应用到法国 “道德统计
“的经典数据集(Guerry，1833)中，显示出识字率的显著高低空间集中度(左图)和财产犯罪与识字率的显著关联(右图)。

      集成经典的数据聚类方法分析空间数据

      现在，你可以用几种经典的非空间聚类技术绘制模式，包括主成分分析(左图)、k-means(右上图)和层次聚类(右下图)。使用与上例中相同的数据，下面的地图显示了财产犯罪、识字率的局部聚类。

      检测空间相关性边界阈值

      非参数空间自相关测试(corlogram)现在可以用来确定相邻对的值不再相关时的距离阈值。

      探索多种空间数据分类

      通过新的类别编辑器，您可以探索您的结果对分类数据的阈值变化的敏感度。在这个例子中，条件图(右)中的阈值是基于可以在类别编辑器(左)中调整的类别。