البحث عن القيام الشاذة

ملاحظة:‏

هذه الوظيفة مدعومة حاليًا فقط في Map Viewer Classic (المعروف سابقًا باسم Map Viewer). سيتوفر في إصدار مستقبلي من Map Viewer الجديد.

أداة البحث عن القيم الشاذة ستحدد ما إذا كانت هناك أية قيم شاذة ذات دلالة إحصائية في النمط المكاني للبيانات.

مخطط سير العمل

أمثلة

• هل توجد أنماط إنفاق غريبة في لوس أنجلوس؟
• أين توجد أدقّ الحدود بين الرفاهية والفقر في منطقة الدراسة؟
• في منطقتك، هل توجد متاجر تجزئة تُحارب المبيعات المنخفضة على الرغم من أنها محاطة بمتاجر ذات أداء مرتفع؟
• أين توجد المعدلات المرتفعة غير المتوقعة للمصابين بمرض السكر عبر منطقة الدراسة؟
• هل توجد مقاطعات في الولايات المتحدة ذات توقُّع لمستوى حياة منخفض بشكل غير معتاد مقارنةً بالمقاطعات المجاورة؟

ملاحظات الاستخدام

قد تكون معالم الإدخال نقاطًا أو مناطق.

يتم استخدام معلمة البحث عن الأخطاء لتقييم الترتيب المكاني للمعالم. إذا كانت المعالم عبارة عن مناطق، عندئذِ يجب اختيار حقل. سيتم تحديد القيم الخارجية باستخدام الأرقام في الحقل المحدد. يمكن تحليل المعالم النقطية باستخدام حقل أو خيار أعداد نقطية. إذا تم استخدام الأعداد النقطية ، ستقوم الأداة بتحديد إذا تم تفريق أو تجميع النقاط ذاتها على غير المعتاد خلاف قيم الحقل المرتفعة والمنخفضة.

إذا تم تحليل النقاط باستخدام الأعداد النقطية, سوف يتوفر خيارين إضافيين. تتيح معلمة عد النقاط ضمن تجميع النقاط ضمن شبكة مربعات أو شبكة سداسية أو طبقة منطقة من جزء المحتويات، مثل المقاطعات أو الرموز البريدية. يتم استخدام المعلمة تعريف النقاط المحتملة لإنشاء منطقة أو العديد من مناطق الاهتمام. الخيارات الثلاثة لهذه المعلمة هي لا شيء، مما يعني أنه يتم استخدام جميع النقاط ومنطقة يتم تعريفها بواسطة طبقة منطقة من جزء المحتويات، ومناطق يتم إنشاؤها باستخدام أداة الرسم.

يمكن تسوية البيانات باستخدام معلمة القسمة على. تستخدم بيانات Esri Population GeoEnrichment وتتطلب استخدام اعتمادات. هناك خيار آخر وهو التسوية باستخدام حقل من طبقة الإدخال (متوفر عند تعيين معلمة البحث عن الأخطاء لحقل ما، بدلاً من أعداد النقاط). تشمل القيم التي يمكن استخدامها للتسوية عدد الأسر أو المنطقة.

ملاحظة:‏

لا تتوفر بيانات Esri Population لمعلمة القسمة على عندما تكون المؤسسة بها خدمة GeoEnrichment مخصصة تم تكوينها.

تستخدم الإحصائية المستخدمة بواسطة هذه الأداة التبديلات لتحديد مدى احتمالية العثور على التوزيع المكاني الفعلي للقيم التي يتم تحليلها بواسطة مقارنة القيم بمجموعة القيم التي تم إنشاؤها بشكل عشوائي. يعد اختيار عدد التبديلات في معلمة تحسين لـ توازنًا بين خيار الدقة وزيادة وقت المعالجة (خيار السرعة). يمكن استخدام عدد أقل من التبديلات عند اكتشاف المشكلة لأول مرة، لكن زيادة التبديلات تعد ممارسة أفضل لخيار الدقة للحصول على نتائج نهائية.

يمكن استخدام القائمة المنسدلة الخيارات لتعيين قيمة حجم خلية محددة أو قيمة نطاق مسافة للتحليل الخاص بك.

تحتوي طبقة الإخراج على حقول إضافية تشمل معلومات مثل Cluster/Outlier Type وعدد الجيران الذي يتضمنه كل معلم في تحليله وLocal Moran's I Index وValue وScore لكل معلم. تحتوي الطبقة الإخراج أيضًا على معلومات عن التحليل الإحصائي في قسم الوصف من صفحة تفاصيل العنصر.

كيفية عمل العثور على القيم الخارجية

نظرًا لأن أعيننا وعقولنا تحاول بطبيعتها العثور على الأنماط حتى إن كانت غير موجودة، فيكون من الصعب معرفة ما إذا كانت الأنماط الموجودة في البيانات هي نتيجة العمليات المكانية في العمل أو مجرد نتيجة مصادفة عشوائية. هذا هو سبب استخدام الباحثين والمحللين للوسائل الإحصائية مثل البحث عن القيم الشاذة (تحليل Anselin Local Moran's I) لتحديد عدد الأنماط المكانية.

عند البحث عن القيم الشاذة أو التجمع ذي الأهمية الإحصائية في البيانات، فإنك تحصل على معلومات قيّمة. يمكن لمعرفة مكان وزمن حدوث القيم الخارجية توفير الأدلة الفعالة والمتعلقة بالعمليات التي تحسن الأنماط التي تراها. يُعد العلم بأن حوداث السطو على المنازل، على سبيل المثال، تحدث بمعدل أكبر بشكل منتظم في أحياء محددة ضروريًا عند الرغبة في تصميم استرتيجيات فعالة لمنع حدوثها أو تخصيص الموارد غير الكافية للشرطة أو إطلاق برامج لمراقبة الأحياء أو إنشاء تحقيقات مُفصلة للجرائم أو تحديد الشكوك المحتملة.

تحسب أداة البحث عن الأخطاء مؤشر موران المحلي (LMiIndex) لكل معلم في مجموعة البيانات. تشير القيمة الإيجابية إلى أن المعلم له معالم مجاورة بنفس قيم السمات المرتفعة أو المنخفضة؛ ويعد هذا المعلم جزءًا من المجموعة. تشير القيمة السلبية أن معلم ما لديه معالم مجاورة بقيم مختلفة؛ هذا المعلم هو قيمة خارجية. في كلا الحالات، يجب أن تكون القيمة الإيجابية للمعلم صغيرة بما يكفي للمجموعة أو القيمة الخارجية لاعتبارها بأنها هامة إحصائيًا. للحصول على مزيد من المعلومات حول تحديد الأهمية الإحصائية، راجع ما هو عدد نقاط القيمة z؟ ما هي القيمة p؟. لاحظ أن مؤشر موران المحلي I (I) هو قياس نسبي ويمكن تفسيره فقط داخل سياق عدد النقاط z أو القيمة p المحوسبة. حقل Cluster/Outlier Type (COType) يُميز بين مجموعة القيم المرتفعة (HH) المهمة إحصائيًا، ومجموعة القيم المنخفضة (LL)، والقيمة الخارجية التي تُحاط فيها القيمة المرتفعة بالقيم المنخفضة (HL) بشكل أساسي، والقيمة الخارجية التي تُحاط فيها القيمة المنخفضة بقيم مرتفعة (LH) بشكل أساسي.

تحليل معالم المنطقة

تتوفر البيانات في معالم المنطقة، مثل الرقعات السكانية والمقاطعات وأحياء الناخبين ومناطق المستشفيات وقطع الأرض وحدود المتنزهات والأماكن الترفيهية ومستجمعات المياة وتصنيفات الغطاء الأرضي ومناطق الطقس. عندما تتضمن طبقة التحليل معالم المنطقة، ستحتاج إلى تحديد حقل رقمي يتم استخدامه للبحث عن الأخطاء ذات القيم المرتفعة والمنخفضة. يمكن أن يمثل هذا الحقل ما يلي:

• الأعداد (مثل عدد أفراد الأُسَر)
• المعدلات (مثل السكان الحاملين لدرجة جامعية)
• المتوسط (مثل متوسط دخل الأسرة)
• المؤشرات (مثل عدد النقاط الذي يشير إلى ما إذا كان مستوى إنفاق الأسرة على البضائع الرياضية فوق أو تحت المُعدل الطبيعي)

باستخدام الحقل الذي تقدمه، تقوم أداة البحث عن الأخطاء بإنشاء خريطة (الطبقة الناتجة) التي تعرض المناطق ذات الأخطاء الهامة إحصائيًا للقيم المرتفعة (حمراء اللون) والقيم المنخفضة (زرقاء اللون) بالإضافة إلى تجمعات للقيم المرتفعة (وردي اللون) والقيم المنخفضة (الأزرق الفاتح).

تحليل المعالم النقطية

تتوفر مجموعة متنوعة من البيانات كمعالم نقطية. يتم تمثيل نماذج المعالم في الأغلب بنقاط تشمل حوادث الجريمة والمدارس والمستشفيات وأحداث مكالمات الطوارئ وحوادث المرور وآبار المياه والأشجار والقوارب. قد تتجه أحيانًا إلى تحليل قيم البيانات (حقل) مقترن بجميع المعالم النقطية. في الحالات الأخرى، لن تهتم إلا بتقييم تجميع النقاط أو انتشارها. يتوقف قرار توفير حقل أو عدمه على السؤال الذي تطرحه.

العثور على قيم خارجية للقيم المرتفعة والمنخفضة المقترنة مع المعالم النقطية

وفر حقل تحليل للإجابة على أسئلة مثل: أين تتجمع القيم المرتفعة والمنخفضة الغريبة؟ قد يمثل الحقل الذي تحدده ما يلي:

• الأعداد (مثل عدد حوادث المرور في تقاطعات الشوارع)
• المعدلات (مثل البطالة في المدينة، حيث يتم تمثيل كل مدينة بمعلم نقطي)
• المتوسط (مثل متوسط نتيجة اختبار الرياضيات بين المدارس)
• المؤشرات (مثل نتيجة إرضاء العميل الخاصة بوكلاء السيارات في المقاطعة)

العثور على القيم الخارجية لأعداد النقاط المرتفعة والمنخفضة

بالنسبة لبعض بيانات النقاط، عند تمثيل كل نقطة لحدث ما أو حادثة أو الكشف عن حضور أو غياب، لن يُمكن استخدام حقل تحليلي واضح. في هذه الحالات، يمكنك العثور على الأماكن التي يكون فيها التجميع (مهمًا إحصائيًا) كثيفًا أو غير كثيف. بالنسبة لهذا التحليل، يتم وضع معالم المنطقة (شبكة مربعات أو شبكة سداسية تقوم الأداة بإنشاءها أو طبقة منطقة تقدمها) فوق النقاط، ويتم حساب عدد النقاط التي تقع ضمن كل منطقة. تقوم الأداة بعد ذلك بإيجاد القيم الخارجية لأعداد النقاط المرتفعة والمنخفضة المقترنة مع جميع معالم المنطقة.

تحديد الأماكن التي يحتمل وجود النقاط بها

حدد طبقة منطقة أو ارسم مناطق تُعرّف منطقة الدراسة حيث تريد إجراء التحليل في جميع المواقع التي قد تحدث فيها معالم نقاط الحادث. بالنسبة لهذا الخيار، سوف تقوم أداة البحث عن الأخطاء بتراكب منطقة الدراسة المحددة مع شبكة المربعات (الوضع الافتراضي) أو الشبكة السداسية وتحسب النقاط التي تقع في كل مربع من مربعات الشبكة. عندما لا تشير إلى الأماكن التي تكون فيها نقاط الحادث متاحة باستخدام هذا الخيار، ستحلل أداة البحث عن الأخطاء خلايا الشبكة التي تحتوي على عدد نقطة واحدة فقط على الأقل. عند استخدام هذا الخيار لتعريف أماكن النقاط المحتملة، يتم إجراء التحليل لجميع خلايا الشبكة التي تقع في المناطق الحدودية التي قمت بتعريفها.

عد النقاط داخل مناطق التجميع

في بعض الحالات، سوف تكون معالم المنطقة مثل مسارات التعداد، أو مراكز الشرطة، أو قطع الأراضي أكثر منطقية للتحليل عن الشبكة الافتراضية أو الشبكة السداسية.

اختيار للتقسيم بواسطة

يتوفر طريقتين مشتركتين لتحديد القيم الخارجية:

• بواسطة العدد - عند قيامك بتحليل مجموعة بيانات محددة، سترغب في إيجاد القيم الخارجية والباردة لعدد المعالم في جميع مناطق التجميع خلال منطقة الدراسة. على سبيل المثال، يمكنك البحث عن الأخطاء حيث قد وقع أعلى عدد للجرائم بوجه عام في المناطق منخفضة الجرائم أو حيث وقع أقل عدد للجرائم في المناطق عالية الجرائم من أجل زيادة تأثير الموارد المخصصة.
• بواسطة الكثافة - من على الجانب الأخر، تحليل وفهم النقوش التي تندرج في الحساب الذي يوضح عمليات التوزيع التي تؤثر على الظواهر ذات المغزى. تتم الإشارة إلى هذا المفهوم بصفته تسوية أو عملية قسمة قيمة بيانات جدولية رقمية واحدة على قيمة أخرى لتقليل الاختلافات في القيم استنادًا إلى حجم المناطق أو عدد المعالم في جميع المناطق. على سبيل المثال، فيما يخص الجريمة، قد ترغب في فهم مكان حدوث الأخطاء أو تجمعات لأعداد الجرائم المرتفعة والمنخفضة التي تضع في الحسبان السكان الأساسين. في هذه الحالة، يمكن أن تقوم بعد عدد الجرائم في جميع المناطق (حيث تكون هذه المنطقة إما شبكة مربعات أو مجموعة بيانات منطقة مختلفة) وقم بقسمة إجمالي عدد الجرائم الحالي على عدد السكان في هذه المنطقة. يمكن أن يمنحك هذا معدل الجريمة أو عدد الجرائم في كل منطقة. تجيب مناطق القيم البحث عن الأخطاء للجرائم في كل منطقة على الأسئلة المختلفة التي يمكن أن تساعد أيضًا في اتخاذ القرار.

تُعد كل من طريقتين تحليل البيانات في منطقة الدراسة صحيحتان، لكنها تستند فقط إلى السؤال الذي تسأله.

يُعد اختيار سمات مناسبة للقسمة أمرًا مهمًا. يتعين عليك التأكد من أن معلمة القسمة على هي معلمة تؤثر في الواقع على توزيع الظواهر المحددة التي تقوم بتحليلها.

عند اختيار معلمة القسمة على لـ Esri Population، يتم استخدام بيانات السكان من تغطية التوزيع السكاني العالمي لـ Esri. تأكد من أن دقة البيانات المتاحة للمنطقة التي تهتم بها متطابقة مع حجم المناطق التي يتم إثراؤها (إما مناطق التجميع التي يتم تقديمها أو مربعات شبكة المربعات التي يتم إنشاؤها).

تفسير النتائج

تكون المخرجات من أداة العثور على القيم الخارجية عبارة عن خريطة. بالنسبة للنقاط أو المناطق الموجودة في خريطة الطبقة الناتجة، يشير هؤلاء باللون الأحمر الداكن والأزرق الداكن إلى القيم الخارجية الهامة إحصائيًا في منطقة الدراسة. ويشير هؤلاء باللون الأزرق الفاتح والزهري إلى التجميع الهام إحصائيًا. لا تكون النقاط أو المناطق المعروضة باللون البيج، من جهة أخرى، أخطاءً أو جزءًا من أي تجمعات إحصائية، يمكن أن تصبح الأنماط المكانية المقترنة مع هذه المعالم مثل نتيجة المصادفة العشوائية. في بعض الأحيان ستشير نتائج التحليل إلى عدم وجود أي أخطاء أو تجمعات مهمة إحصائيًا على الإطلاق. هذه المعلومات مهمة. عندما يكون الجزء المكاني عشوائيًا، لا تتوفر مفاتيح للأسباب الرئيسية. في هذه الحالة، سيصبح لون جميع المعالم في طبقة النتائج بيج. ومع ذلك، عند العثور على أخطاء أو تجمعات مهمة إحصائيًا، تعد مواقع حدوث التجمعات مفاتيح مهمة حول ما قد يسبب الظاهرة. على سبيل المثال، يمكن أن يؤدي العثور على قيم خارجية مكانية هامة إحصائيًا لمعدلات السرطان المرتفعة والمرتبطة بتسممات بيئية محددة إلى سياسات وأحداث مُصممة لحماية الأشخاص. وعلى نفس النحو، يمكن أن يوفر العثور على القيم الخارجية المنخفضة لسمنة الأطفال في مدارس تقدم برامج رياضية بعد انتهاء اليوم الدراسي تبريرًا قويًا لتشجيع هذه الأنواع من البرامج على نطاق أوسع.

استكشاف الأخطاء وإصلاحها

تستند الطريقة الإحصائية المستخدمة بواسطة أداة العثور على القيم الخارجية إلى نظرية الاحتمالية، ونتيجة لذلك، تحتاج إلى الحد الأدنى من عدد المعالم للتشغيل بفاعلية. تتطلب هذه الطريقة الإحصائية أيضًا أعداد متنوعة أو قيم حقول التحليل. عند تحليل حوادث الجرائم تبعًا للرقعة السكانية، كمثال، والتي تنتهي بنفس عدد الجرائم في كل رقعة، سيتعذر الحل على هذه الأداة. يوفر الجدول أدناه توضيح للرسائل التي يمكن أن تواجهها عند استخدام أداة العثور على القيم الخارجية:

رسالة	مشكلة	الحل
تتطلب خيارات التحليل التي تم تحديدها حد أدنى 60 نقطة لحساب النقاط الفعالة والباردة.	يتعذر إيجاد معالم نقطية كافية داخل طبقة التحليل النقطية لحساب النتائج الموثوقة.	أضف المزيد من النقاط إلى طبقة التحليل. بدلاً عن ذلك، يمكنك تحديد مناطق التحليل المحيطة لإضافة المعلومات المتعلقة بأماكن احتمالية ظهور النقاط ولكنها لم تظهر. باستخدام هذه الطريقة، تحتاج إلى 30 نقطة كحد أدنى. يمكن أيضًا توفير مناطق التجميع التي تقوم بتراكب النقاط. تحتاج إلى 30 منطقة مضلع و30 نقطة كحد أدنى داخل هذه المناطق لعملية التحليل. عند الحصول على 30 نقطة على الأقل، يمكنك تحديد حقل تحليل. يساعد هذا في تغيير السؤال من أين تتواجد العديد من النقاط أو القليل منها ليصبح أين تتجمع قيم حقل التحليل مكانيًا.
تتطلب خيارات التحليل التي تم تحديدها حد أدنى 30 نقطة مع البيانات الصحيحة في حقل التحليل لحساب النقاط الفعالة والباردة.	لا توجد نقاط كافية أو نقاط كافية مقترنة بقيم الحقل التحليلي الفارغ داخل طبقة التحليل لحساب النتائج الموثوقة.	عند الحصول على أقل من 30 نقطة، لن تصبح طريقة التحليل هذه مناسبة للبيانات. عند الحصول على أكثر من 30 نقطة وكنت ترى هذه الرسالة، يمكن أن يتضمن حقل التحليل الذي تم تحديده على قيم فارغة. سيتم تخطي النقاط ذات قيم حقل التحليل الفارغة. هناك احتمالية أخرى تتمثل في الحصول على عامل تصفية نشط تقلل عدد النقاط المتاحة للتحليل.
تتطلب خيارات التحليل التي تم تحديدها حد أدنى 30 مضلعًا مع البيانات الصحيحة في حقل التحليل لحساب النقاط الفعالة والباردة.	لا توجد مناطق مضلعات كافية أو معالم مناطق كافية مقترنة مع قيم حقول التحليل غير الفارغة، في طبقة التحليل لحساب النتائج الموثوقة.	في حالة الحصول على أقل من 30 منطقة مضلع، لن تصبح طريقة التحليل هذه مناسبة للبيانات. عند الحصول على أكثر من 30 منطقة وكنت ترى هذه الرسالة، يمكن أن يحتوي حقل التحليل الذي تم تحديده على قيم فارغة. سيتم تخطي مناطق المضلعات ذات قيم حقول التحليل الفارغة. هناك احتمالية أخرى تتمثل في الحصول على عامل تصفية نشط يقلل عدد مناطق المضلعات المتاحة للتحليل.
يتطلب خيار التحليل الذي تم تحديده حد أدنى 30 نقطة ليتواجد داخل مناطق المضلع المحيطة.	يتم فقط تحليل النقاط الواقعة داخل مناطق التحليل المحيطة والتي تم رسمها أو توفيرها. لتوفير نتائج موثوقة، ينبغي أن يوجد 30 نقطة على الأقل داخل مناطق التحليل المحيطة.	إذا لم يكن لديك 30 نقطة على الأقل، فلن تكون هذه الأداة مناسبة للبيانات. باستخدام الحد الأدنى البالغ 30 معلمًا، سيكمن الحل هنا غالبًا في توفير مناطق تحليل محيطة مختلفة، وربما أكبر. هناك خيار آخر وهو توفير طبقة منطقة بها 30 مضلعًا كحد أدنى من مضلعات التجميع والتي تتراكب مع 30 نقطة على الأقل. عند توفير مناطق التجميع، سيتم القيام بالتحليل على أعداد النقاط داخل كل منطقة.
يتطلب خيار التحليل الذي تم تحديده 30 نقطة على الأقل لتتواجد داخل مضلعات التجميع.	يتم فقط تضمين النقاط الواقعة داخل مضلعات التجميع في التحليل. لتوفير نتائج موثوقة، ينبغي تواجد 30 نقطة على الأقل داخل مناطق المضلع التي تم توفيرها.	إذا لم يكن لديك 30 نقطة على الأقل، فلن تكون هذه الطريقة مناسبة للبيانات، وإلا فعليك رسم مناطق تحليل محيطة تتراكب مع 30 نقطة على الأقل أو توفيرها. ينبغي أن تقوم المناطق المحيطة بتفعيل جميع المناطق حيث احتمالية حدوث هذه النقاط.
يتطلب خيار التحليل الذي تم تحديده 30 من مناطق التجميع كحد أدنى.	يقوم الخيار الذي قمت بتحديده بتراكب مناطق التجميع أعلى النقاط ويحصى النقاط التي تقع داخل كل منطقة. سيتطلب وجود 30 عدد (30 منطقة) لتوفير النتائج الموثوقة كحد أدنى.	يمكن حساب النتائج الموثوقة عند توفير 30 نقطة كحد أدنى واقعة داخل 30 منطقة تجميع كحد أدنى. إذا لم يكن لديك 30 منطقة تجميع، يمكنك محاولة رسم مناطق تحليل محيطة تتراكب مع 30 نقطة على الأقل أو توفيرها. ينبغي أن تقوم المناطق المحيطة الحالية بتفعيل جميع المناطق حيث احتمالية حدوث هذه النقاط.
يتعذر حساب النقاط الفعالة والباردة عند تطابق عدد النقاط في جميع مناطق المضلعات. جرب مناطق المضلعات المختلفة أو خيارات التحليل لمختلفة.	عند قيام أداة إيجاد النقاط الفعالة بحساب عدد النقاط الواقعة داخل منطقة التجميع، يتم إيجاد أن الأعداد تكون متطابقة. لحساب النتائج، تتطلب هذه الأداة بعض التنوع في عدد القيم التي تم الحصول عليها على الأقل.	يمكنك توفير مناطق تجميع بديلة لن ينتج عنها وجود عدد النقاط نفسه في جميع المناطق. عوضًا عن مناطق التجميع، يمكنك أيضًا محاولة رسم مناطق تحليل محيطة أو توفيرها. بطريقة بديلة، يمكن تحديد حقول التحليل. مع ذلك، يساعد هذا في تغيير السؤال من أين تتواجد العديد من النقاط أو القليل منها ليصبح أين تتجمع قيم حقل التحليل مكانيًا.
لا يوجد تنوع كافي في مواقع النقاط لحساب النقاط الفعالة والباردة. تقلل النقاط المتزامنة، مثال، التنوع المكاني. يمكن أن تقوم بتوفير المناطق المحيطة ومناطق التجميع (كحد أدنى 30) أو حقول التحليل.	استنادًا إلى عدد النقاط وكيفية توزيعها، تقوم الأداة بإنشاء شبكة صيد لتراكب النقاط. بعد حساب عدد النقاط الواقعة داخل كل مربع لشبكة الصيد وإزالة المربعات التي عددها يكون صفر، يتبقى أقل من 30 مربع. تتطلب هذه الأداة وجود 30 عدد (30 مربع) كحد أدنى لتوفير النتائج الموثوقة.	إذا شغلت النقاط مواقع فريدة قليلة (إذا وُجد العديد من النقاط المتزامنة)، فسيشير أحد الحلول إما إلى توفير مناطق تجميع تقوم بتراكب النقاط، أو رسم مناطق تحليل محيطة تشير إلى أماكن هذه النقاط المحتملة وغير المحتملة أو توفيرها. خيار آخر هو لتحديد حقول التحليل. مع ذلك، يساعد هذا في تغيير السؤال من أين تتواجد العديد من النقاط أو القليل منها ليصبح أين تتجمع قيم حقل التحليل مكانيًا.
لا يعد هذا تنوع كافي خلال النقاط داخل مناطق المضلعات. يمكن محاولة توفير الحدود الأكبر.	استنادًا إلى المواقع النقطية وعدد النقاط، تقوم الأداة بإنشاء الشبكة لتراكب النقاط. بعد حساب عدد النقاط الواقعة داخل كل مربع لشبكة المربعات وإزالة المربعات التي تتواجد خارج مناطق التحليل المحيطة، سيتبقى أقل من 30 مربعًا في شبكة المربعات. تتطلب هذه الأداة وجود 30 عدد (30 مربع) كحد أدنى لتوفير النتائج الموثوقة.	عند تواجد النقاط في مواقع متنوعة داخل مناطق التحليل المحيطة، يمكن أن ترغب فقط في إنشاء حدود أكبر أو توفيرها. إذا شغلت النقاط مواقع متميزة قليلة (إذا وجد العديد من النقاط المتزامنة)، فسيكون الحل هو توفير مناطق التجميع التي تتراكب مع النقاط. خيار آخر هو لتحديد حقول التحليل. مع ذلك، يساعد هذا في تغيير السؤال من أين تتواجد العديد من النقاط أو القليل منها ليصبح أين تتجمع قيم حقل التحليل مكانيًا.
تكون جميع قيم حقول التحليل واحدة. يتعذر حساب النقاط الفعالة والباردة إذا تعذر إيجاد تنوع في الحقل المراد تحليله.	العديد من النقاط التي يتم تحديدها في حقل التحليل لها نفس القيمة لجميع النقاط أو المعالم في طبقة التحليل. يتعذر حل هذه الإحصائيات المستخدمة من قبل هذه الأداة ما لم تتواجد قيمة متنوعة للعمل معها.	يمكن تحديد حقل تحليل أو معالم نقطية مختلفة أو تحليل كثافات نقطية عوضًا عن القيم النقطية.
سيتعذر حساب النقاط الفعالة والباردة للبيانات التي تم توفيرها. غذا كانت مناسبة، حاول تحديد حقل التحليل.	في حين أنه من غير المرجح، عند إنشاء الأداة لشبكة المربعات وكذلك حساب عدد النقاط داخل كل مربع، ستصبح أعداد جميع المربعات متطابقة.	قم بتوفير مناطق تجميع أو رسم مناطق تحليل محيطة أو توفيرها أو تحديد حقل تحليل.
ينبغي أن تكون حجم الخلية أقل من نطاق المسافة.	لقد قمت بتوفير قيمة نطاق مسافة أصغر من حجم كل خلية من خلايا الشبكة.	راجع الوحدات المحددة لكل من نطاق المسافة وحجم الخلية واستخدم القيمة الافتراضية المحسوبة بواسطة الأداة أو استخدم قيمة أكبر من حجم خلية شبكة واحدة.

يمكن العثور على معلومات إضافية حول الخوارزمية المستخدمة بواسطة أداة البحث عن الأخطاء في كيفية عمل تحليل الأخطاء الأمثل.

أدوات مشابهة

استخدم العثور على القيم الخارجية لتحديد ما إذا هناك قيم خارجية هامة إحصائيًا في النمط المكاني للبيانات الخاصة بك. يتم وصف الأدوات الأخرى التي قد تكون مفيدة أدناه.

أدوات تحليل Map Viewer Classic

للعثور على تجمعات مهمة إحصائيًا ذات القيم المرتفعة والمنخفضة في النمط المكاني للبيانات الخاصة بك، استخدم أداة البحث عن النقاط الفعالة.

إذا كنت تقوم باستخدام قياسات النقطة أو الخط لإنشاء خريطة كثافة، فاستخدم أداة حساب الكثافة.

أدوات تحليل ArcGIS Pro

العثور على القيم الخارجية تقوم بتنفيذ نفس الإحصائيات المستخدمة في تحليل المجموعة والقيم الخارجية (تحليل Anselin Local Moran's I) وأدوات تحليل القيم الخارجية الأمثل.