Ausreißer suchen—Portal for ArcGIS | Dokumentation zu ArcGIS Enterprise

Mit dem Werkzeug Ausreißer suchen kann ermittelt werden, ob das räumliche Muster Ihrer Daten statistisch signifikante Ausreißer aufweist.

Workflow-Diagramm

Beispiele

Wo ist ein anomales Ausgabeverhalten in Los Angeles zu beobachten?
Wo liegen die schärfsten Grenzen zwischen Reichtum und Armut im Untersuchungsgebiet?
Gibt es in Ihrer Gegend Einzelhandelsgeschäfte, die mit niedrigen Umsätzen zu kämpfen haben, obwohl sie von Geschäften mit hohen Umsatzzahlen umgeben sind?
In welchen Bereichen eines Untersuchungsgebiets finden sich unerwartet hohe Diabetesraten?
Sind in den USA Landkreise mit ungewöhnlich niedriger Lebenserwartung im Vergleich zu ihren benachbarten Landkreisen vorhanden?

Verwendungshinweise

Bei den Eingabe-Features kann es sich um Punkte oder Flächen handeln.

Der Parameter Ausreißer suchen von dient dazu, die räumliche Anordnung von Features zu bewerten. Wenn es sich bei den Features um Flächen handelt, muss ein Feld ausgewählt werden. Ausreißer werden anhand der Zahlen im ausgewählten Feld ermittelt. Punkt-Features können anhand eines Feldes oder mit der Option Punktanzahl analysiert werden. Bei Verwendung von Punktanzahl wird die Cluster-Bildung und Verteilung der Punkte selbst ermittelt, und nicht etwa hohe und niedrige Feldwerte.

Wenn Punkte mit Punktanzahl analysiert werden, sind zwei zusätzliche Optionen verfügbar. Der Parameter Punkte zählen innerhalb ermöglicht das Aggregieren der Punkte in einem Netzgitter, einem Hexagongitter oder einem Flächen-Layer aus Ihren Inhalten, z. B. Landkreise oder Postleitzahlen. Der Parameter Bereiche festlegen, in denen Punkte möglich sind erstellt einen Bereich oder mehrere Interessenbereiche. Die drei Optionen für diesen Parameter sind Kein, was bedeutet, dass alle Punkte verwendet werden, eine durch einen Flächen-Layer aus Ihren Inhalten definierte Fläche und Flächen, die mit dem Werkzeug Zeichnen erstellt werden.

Die Daten können mit dem Parameter Teilen durch normalisiert werden. Die Esri Population-Daten verwenden GeoEnrichment und verbrauchen Credits. Eine andere Möglichkeit ist die Normalisierung mithilfe eines Feldes aus dem Eingabe-Layer. Einige mögliche Werte, die für die Normalisierung herangezogen werden können, sind "Anzahl der Haushalte" oder "Bereich".

Die von diesem Werkzeug verwendete Statistik bestimmt mithilfe von Permutationen, mit welcher Wahrscheinlichkeit die tatsächliche räumliche Verteilung der analysierten Werte durch einen Vergleich der Werte mit einer Reihe von willkürlich generierten Werten ermittelt werden könnte. Bei Auswahl der Anzahl von Permutationen im Parameter Optimieren für muss zwischen Genauigkeit und erhöhter Verarbeitungszeit (Geschwindigkeit) abgewogen werden. Zu Beginn einer Problemanalyse kann eine niedrigere Anzahl von Permutationen verwendet werden, es empfiehlt sich jedoch, die Anzahl der Permutationen für die Berechnung des Endergebnisses auf die Genauigkeit hochzusetzen.

Mithilfe des Dropdown-Menüs Optionen kann eine bestimmte Zellengröße oder ein bestimmtes Entfernungsband für die Analyse festgelegt werden.

Der Ausgabe-Layer enthält zusätzliche Felder mit Informationen wie z. B. dem Cluster/Outlier Type, der Anzahl der Nachbarn, die für jedes Feature in die Analyse eingeschlossen wurden, sowie den Local Moran's I Index, den Value und die Score für jedes Feature. Der Ausgabe-Layer enthält außerdem Informationen zur statistischen Analyse im Abschnitt Beschreibung seiner Elementdetails.

Funktionsweise des Werkzeugs "Ausreißer suchen"

Da unsere Augen und Gehirne naturgemäß auch dann nach Mustern suchen, wenn keine vorhanden sind, kann es schwierig sein, zu wissen, ob die Muster in den Daten das Ergebnis echter räumlicher Prozesse sind oder ob es sich lediglich um ein zufälliges Ergebnis handelt. Aus diesem Grund verwenden Forscher und Analysten Methoden wie Ausreißer suchen (Anselin Local Moran's I), um räumliche Muster zu quantifizieren. Wenn Sie eine statistisch signifikante Ausreißer- oder Cluster-Bildung in Ihren Daten finden, verfügen Sie über wertvolle Informationen. Zu wissen, wo und wann Ausreißer und Cluster auftreten, kann wichtige Aufschlüsse über die Prozesse geben, die die Muster fördern, die Sie sehen. Zu wissen, dass die Anzahl der Wohnungseinbrüche in bestimmten Nachbarschaften beispielsweise ständig höher ausfällt, kann eine wichtige Rolle spielen, wenn Sie effektive Präventionsstrategien entwerfen, knappe Polizeikräfte verteilen, Nachbarschaftsüberwachungsprogramme initiieren, strafrechtliche Ermittlungen durchführen oder potenzielle Verdächtige identifizieren müssen.

Das Werkzeug Ausreißer suchen berechnet einen Local Morans-Index (LMiIndex) für jedes Feature im Dataset. Ein positiver Wert bedeutet, dass ein Feature von benachbarten Features mit ähnlich hohen oder niedrigen Attributwerten umgeben ist; dieses Feature ist Teil eines Clusters. Ein negativer Wert bedeutet, dass ein Feature von benachbarten Features mit unterschiedlichen Werten umgeben ist; dieses Feature ist ein Ausreißer. In beiden Fällen muss der p-Wert des Features klein genug sein, damit der Cluster oder Ausreißer als statistisch signifikant betrachtet werden. Weitere Informationen zum Bestimmen der statistischen Signifikanz finden Sie unter Was ist ein Z-Wert? Was ist ein p-Wert?. Beachten Sie, dass der Local Morans I-Index (I) ein relativer Messwert ist, der nur im Kontext des entsprechenden berechneten Z-Wertes oder p-Wertes interpretiert werden kann. Das Feld Cluster/Outlier Type (COType) unterscheidet zwischen einem statistisch signifikanten Cluster mit hohen Werten (HH), einem Cluster mit niedrigen Werten (LL), einem Ausreißer, bei dem ein hoher Wert von hauptsächlich niedrigen Werten (HL) umgeben ist, und einem Ausreißer, bei dem ein niedriger Wert von hauptsächlich hohen Werten (LH) umgeben ist.

Analysieren von Flächen-Features

Für Flächen-Features wie Zählbezirke, Landkreise, Wahlkreise, Krankenhauseinzugsgebiete, Flurstücke, Park- und Freizeitflächen, Abflussgebiete, Landnutzungsklassifizierungen und Klimazonen stehen sehr viele Daten zur Verfügung. Wenn Ihr Analyse-Layer Flächen-Features enthält, müssen Sie ein numerisches Feld festlegen, anhand dessen Ausreißer mit hohen und niedrigen Werten gesucht werden. Dieses Feld kann Folgendes darstellen:

Mengenangaben (z. B. die Anzahl der Haushalte)
Verhältnisangaben (z. B. der Bevölkerungsanteil mit Universitätsabschluss)
Durchschnittswerte (z. B. das durchschnittliche oder mittlere Haushaltseinkommen)
Indizes (z. B. eine Bewertung, aus der hervorgeht, ob die Ausgaben eines Haushalts für Sportartikel über oder unter dem nationalen Durchschnitt liegen)

Mit dem angegebenen Feld erstellt das Werkzeug Ausreißer suchen eine Karte (den Ergebnis-Layer), die Flächen mit statistisch signifikanten Ausreißern mit hohen Werten (rot) und niedrigen Werten (blau) sowie Cluster mit hohen Werten (rosa) und niedrigen Werten (hellblau) anzeigt.

Analysieren von Punkt-Features

Viele Daten sind als Punkt-Features verfügbar. Vor allem Verbrechensfälle, Schulen, Krankenhäuser, Notrufereignisse, Verkehrsunfälle, Brunnen, Bäume und Boote werden häufig als Punkte dargestellt. In einigen Fällen kann es interessant sein, mit einzelnen Punkt-Features verknüpfte Datenwerte (ein Feld) zu analysieren. In anderen Fällen möchten Sie nur die Cluster-Bildung oder Dispersion der Punkte selbst ermitteln. Die Entscheidung, ob ein Feld bereitgestellt werden soll oder nicht, hängt von der Frage ab, die Sie beantworten möchten.

Suchen von Ausreißern mit hohen und niedrigen Werten, die mit Punkt-Features verknüpft sind

Analysieren von Punkten mit einem Analysefeld Sie können ein Analysefeld bereitstellen, um Fragen wie "Wo liegen anormal hohe und niedrige Werte vor?" zu beantworten. Das ausgewählte Feld kann z. B. Folgendes darstellen:

Zählwerte (wie die Anzahl der Verkehrsunfälle an Kreuzungen)
Verhältniswerte (wie die Arbeitslosigkeit in einem Ort, wobei der Ort als Punkt-Feature dargestellt wird)
Durchschnittswerte (wie die Durchschnittspunktzahl eines Mathematiktests in verschiedenen Schulen)
Indizes (wie die Bewertung der Kundenzufriedenheit bei Autohändlern in einem Landkreis)

Suchen von Ausreißern mit hoher und niedriger Punktanzahl

Analysieren von Punkten, kein Analysefeld Bei einigen Punktdaten gibt es kein hervorstechendes Analysefeld. Dies ist normalerweise der Fall, wenn jeder Punkt ein Ereignis, einen Vorfall oder eine Angabe zur An-/Abwesenheit darstellt. In diesen Fällen möchten Sie nur wissen, wo die Cluster-Bildung ungewöhnlich ausgeprägt (statistisch signifikant) oder gering ist. Bei dieser Analyse werden Flächen-Features (ein vom Werkzeug erstelltes Netzgitter oder Hexagongitter oder ein von Ihnen angegebener Flächen-Layer) über den Punkten platziert und die Punkte in jedem Bereich gezählt. Anschließend sucht das Werkzeug Ausreißer mit hoher und niedriger Punktanzahl, die mit jedem Flächen-Feature verknüpft sind.

Bereiche festlegen, in denen Punkte möglich sind

Punkte, keine Analysefeld, begrenztes Untersuchungsgebiet Geben Sie einen Flächen-Layer an, oder zeichnen Sie Flächen, die ein Untersuchungsgebiet definieren, in dem alle Positionen mit potenziellen Ereignispunkt-Features analysiert werden sollen. Bei dieser Option wird durch das Werkzeug Ausreißer suchen ein Netzgitter (Standard) oder ein Hexagongitter über das definierte Untersuchungsgebiet gelegt, und die Punkte in jeder Gitterzelle werden gezählt. Wenn Sie bei Verwendung dieser Option nicht angeben, wo Ereignispunkte möglich sind, werden mit dem Werkzeug Ausreißer suchen nur die Gitterzellen mit mindestens einem Punkt analysiert. Wenn Sie bei dieser Option jedoch angeben, wo Punkte möglich sind, wird die Analyse für alle Gitterzellen ausgeführt, die sich in den von Ihnen definierten begrenzten Flächen befinden.

Zählen von Punkten in Ihren eigenen Aggregationsflächen

Punkte, kein Analysefeld, Aggregationsflächen In einigen Fällen ist es sinnvoller, Flächen-Features wie Zählbezirke, Polizeibezirke oder Flurstücke anstelle des standardmäßigen Netz- oder Hexagongitters zu analysieren.

Auswählen von "Teilen durch"

Normalisieren Ihres Datasets Es gibt zwei allgemeine Methoden der Identifizierung von Ausreißern:

Nach Anzahl: Wenn Sie ein bestimmtes Dataset analysieren, kommt es häufig vor, dass Sie Ausreißer der Anzahl von Features in jeder Aggregationsfläche in Ihrem Untersuchungsgebiet suchen. Sie können beispielsweise nach Ausreißern suchen, bei denen die höchsten Kriminalitätsraten in Gegenden mit allgemein wenig Kriminalität liegen oder bei denen die niedrigsten Kriminalitätsraten in Gegenden hoher Kriminalität liegen, um die Wirkung der zugewiesenen Ressourcen zu maximieren.
Nach Intensität: Andererseits kann die Analyse und das Verständnis von Mustern, die zugrunde liegende Verteilungen berücksichtigen, die ein bestimmtes Phänomen beeinflussen, ebenfalls aussagekräftig sein. Dieses Konzept wird häufig als Normalisierung bezeichnet bzw. beschreibt das Teilen eines numerischen Attributwertes durch einen anderen, um die Unterschiede in Werten auf der Basis von Flächengröße oder Feature-Menge in jedem Bereich zu minimieren. Im Zusammenhang mit Kriminalität können Sie beispielsweise ermitteln, wo sich Ausreißer oder Cluster mit hohen und niedrigen Kriminalitätsraten befinden, die die zugrunde liegende Bevölkerung berücksichtigen. In diesem Fall können Sie die Anzahl der Delikte in jedem Gebiet (unabhängig davon, ob dieses Gebiet ein Netzgitter oder ein anderes Flächen-Dataset ist) zählen und die Gesamtzahl der Delikte durch die Gesamtbevölkerung in diesem Gebiet teilen. Daraus ergibt sich eine Kriminalitätsrate oder die Anzahl der Verbrechen pro Kopf. Das Suchen nach Ausreißergebieten bei Verbrechen pro Kopf liefert Antworten auf eine andere Frage, die ebenfalls bei der Entscheidungsfindung hilfreich sein kann.

Beide Methoden der Analyse von Daten in Ihrem Untersuchungsgebiet sind gültig, es kommt lediglich auf die Fragestellung an.

Es ist sehr wichtig, ein entsprechendes Attribut auszuwählen, durch das geteilt wird. Sie müssen sicherstellen, dass das Attribut Teilen durch ein Attribut ist, das tatsächlich Einfluss auf die Verteilung eines bestimmten Phänomens hat, das Sie analysieren.

Wenn Sie Teilen nach Esri Population auswählen, werden die Bevölkerungsdaten des Esri Demographics Global Coverage verwendet. Sehen Sie sich die Auflösung der Daten an, die für das Gebiet Ihres Interesses verfügbar ist, um sicherzustellen, dass sie mit der Größe der angereicherten Gebiete kompatibel ist (Aggregationsflächen, die Sie bereitstellen, oder Netzquadrate, die erstellt werden).

Interpretieren der Ergebnisse

Die Ausgabe des Werkzeugs Ausreißer suchen ist eine Karte. Die dunkelroten und dunkelblauen Punkte oder Flächen in der Ergebnis-Layer-Karte zeigen statistisch signifikante Ausreißer im Untersuchungsgebiet an. Hellblaue oder rosa Punkte oder Flächen weisen auf statistisch signifikante Cluster-Bildung hin. Andererseits sind Punkte oder Flächen, die beige angezeigt werden, keine Ausreißer oder nicht Teil eines statistisch signifikanten Clusters. Das mit diesen Features verknüpfte räumliche Muster ist mit großer Wahrscheinlichkeit ein zufälliges Ergebnis. Manchmal geben die Ergebnisse der Analyse an, dass überhaupt keine statistisch signifikanten Ausreißer oder Cluster vorhanden sind. Diese Information ist sehr wichtig. Wenn ein räumliches Muster zufällig ist, gibt es keinerlei Anhaltspunkte zu den zugrunde liegenden Ursachen. In diesen Fällen werden alle Features im Ergebnis-Layer beige dargestellt. Wenn jedoch ein statistisch signifikanter Ausreißer oder eine statistisch signifikante Cluster-Bildung vorliegt, geben diese Positionen wichtige Hinweise auf die Ursachen des Phänomens. Das Auftreten statistisch signifikanter räumlicher Ausreißer von hohen Krebsraten in Verbindung mit bestimmten Umweltgiften kann etwa zu Richtlinien und Maßnahmen für den Schutz von Menschen führen. Auf ähnliche Weise kann die Ermittlung von niedrigen Ausreißern von übergewichtigen Kindern im Zusammenhang mit Schulen, in denen nachmittägliche Sportprogramme einen hohen Stellenwert haben, ein wichtiger Beweggrund sein, um Programme dieser Art vermehrt zu fördern.

Problembehandlung

Die vom Werkzeug Ausreißer suchen verwendete statistische Methode basiert auf einer Wahrscheinlichkeitstheorie und erfordert demzufolge, dass eine Mindestanzahl von Features effektiv funktioniert. Für diese statistische Methode sind außerdem verschiedene Anzahl- und Analysefeldwerte erforderlich. Wenn Sie beispielsweise Verbrechensfälle nach Zählbezirk analysieren und für jeden Bezirk die gleiche Anzahl von Verbrechen erhalten, kann das Werkzeug keine Auflösung durchführen. In der folgenden Tabelle werden die Meldungen erläutert, die beim Verwenden des Werkzeugs Ausreißer suchen auftreten können:


Meldung	Problem	Lösung
Für die ausgewählten Analyseoptionen sind für die Berechnung von Hot- und Cold-Spots mindestens 60 Punkte erforderlich.	Die Anzahl der in Ihrem Punktanalyse-Layer enthaltenen Punkt-Features ist für die Berechnung zuverlässiger Werte unzureichend.	Die naheliegendste Lösung besteht darin, dem Analyse-Layer weitere Punkte hinzuzufügen. Sie haben auch die Möglichkeit, eingegrenzte Analyseflächen zu definieren und damit Informationen dazu hinzufügen, wo Punkte hätten auftreten können, aber nicht aufgetreten sind. Bei dieser Methode benötigen Sie mindestens 30 Punkte. Sie können auch Aggregationsflächen bereitstellen, die Ihre Punkte überlagern. Für diese Analyse sind mindestens 30 Polygonflächen und 30 Punkte in diesen Flächen erforderlich. Wenn Sie über mindestens 30 Punkte verfügen, können Sie ein Analysefeld angeben. Dadurch stellt sich nun nicht mehr die Frage, wo sich viele oder wenige Punkte befinden, sondern wo hohe und niedrige Feldwerte räumliche Cluster bilden.
Für die ausgewählten Analyseoptionen sind mindestens 30 Punkte mit gültigen Daten im Analysefeld erforderlich, um Hot- und Cold-Spots zu berechnen.	Ihr Analyse-Layer enthält nicht genügend Punkte bzw. Punkte, die mit Analysefeldwerten verknüpft sind, die nicht NULL sind, um zuverlässige Ergebnisse zu berechnen.	Wenn Sie über weniger als 30 Punkte verfügen, ist diese Analysemethode für Ihre Daten nicht geeignet. Wenn Sie über mehr als 30 Punkte verfügen und diese Meldung angezeigt wird, weist das angegebene Analysefeld möglicherweise NULL-Werte auf. Punkte mit NULL-Werten für das Analysefeld werden übersprungen. Eine andere Möglichkeit ist ein aktiver Filter zur Reduzierung der Anzahl der für die Analyse verfügbaren Punkte.
Für die ausgewählten Analyseoptionen sind mindestens 30 Polygone mit gültigen Daten im Analysefeld erforderlich, um Hot- und Cold-Spots zu berechnen.	Ihr Analyse-Layer enthält nicht genügend Polygonflächen bzw. Flächen-Features, die mit Analysefeldwerten verknüpft sind, die nicht NULL sind, um zuverlässige Ergebnisse zu berechnen.	Wenn Sie über weniger als 30 Polygonflächen verfügen, ist diese Analysemethode für Ihre Daten nicht geeignet. Wenn Sie über mehr als 30 Flächen verfügen und diese Meldung angezeigt wird, weist das angegebene Analysefeld möglicherweise NULL-Werte auf. Polygonflächen mit NULL-Werten für das Analysefeld werden übersprungen. Eine andere Möglichkeit ist ein aktiver Filter zur Reduzierung der Anzahl der für die Analyse verfügbaren Polygonflächen.
Für die ausgewählte Analyseoption müssen sich mindestens 30 Punkte in der/den angrenzenden Polygonfläche(n) befinden.	Es werden nur die Punkte analysiert, die innerhalb der dargestellten oder bereitgestellten eingegrenzten Analyseflächen liegen. Um zuverlässige Ergebnisse zu liefern, müssen mindestens 30 Punkte innerhalb der eingegrenzten Analyseflächen liegen.	Wenn Sie nicht über mindestens 30 Punkte verfügen, ist diese Methode für Ihre Daten nicht geeignet. Wenn mindestens 30 Features vorhanden sind, ist die Bereitstellung anderer, möglicherweise größerer eingegrenzter Analyseflächen häufig eine Lösung. Eine andere Möglichkeit besteht darin, einen Flächen-Layer mit mindestens 30 Aggregationspolygonen bereitzustellen, die mindestens 30 Ihrer Punkte überlagern. Wenn Sie Aggregationsflächen bereitstellen, wird die Analyse für die in jeder Fläche enthaltene Punktanzahl durchgeführt.
Für die ausgewählte Analyseoption müssen sich mindestens 30 Punkte in den Aggregationspolygonen befinden.	Es wurden nur die Punkte in die Analyse einbezogen, die innerhalb der Aggregationspolygone liegen. Um zuverlässige Ergebnisse zu liefern, müssen mindestens 30 Punkte innerhalb der bereitgestellten Polygonflächen liegen.	Wenn Sie nicht mindestens über 30 Punkte verfügen, ist diese Methode nicht für Ihre Daten geeignet. Andernfalls sollten Sie eingrenzende Analyseflächen zeichnen oder bereitstellen, die mindestens 30 Ihrer Punkte überlagern. Die angrenzenden Flächen sollten alle Positionen anzeigen, an denen Punkte auftreten können.
Für die ausgewählte Analyseoption sind mindestens 30 Aggregationsflächen erforderlich.	Mit der ausgewählten Option werden die Aggregationsflächen auf Ihren Punkten überlagert und anschließend die Anzahl der Punkte gezählt, die in jede Fläche fallen. Um zuverlässige Ergebnisse zu liefern, werden mindestens 30 Anzahlwerte (30 Flächen) benötigt.	Zuverlässige Ergebnisse können berechnet werden, wenn Sie mindestens 30 Punkte bereitstellten, die in mindestens 30 Aggregationsflächen liegen. Wenn Sie keine 30 Aggregationsflächen zur Verfügung haben, können Sie eingrenzende Analyseflächen zeichnen oder bereitstellen, die mindestens 30 Ihrer Punkte überlagern. Diese angrenzenden Flächen sollten alle Positionen anzeigen, an denen Punkte auftreten können.
Hot- und Cold-Spots können nicht berechnet werden, wenn die Anzahl der Punkte in jeder Polygonfläche identisch ist. Verwenden Sie unterschiedliche Polygonflächen oder unterschiedliche Analyesoptionen.	Als die Anzahl der Punkte in jeder Aggegrationsfläche mit dem Werkzeug Hot-Spots suchen ermittelt wurden, waren alle Anzahlwerte identisch. Dieses Werkzeug erfordert zumindest einige Unterschiede bei den ermittelten Anzahlwerten, um Ergebnisse zu berechnen.	Sie können andere Aggregationsflächen bereitstellen, die nicht dazu führen, dass alle Flächen die gleiche Anzahl von Punkten aufweisen. Anstelle von Aggregationsflächen können Sie auch eingrenzende Analyseflächen zeichnen oder bereitstellen. Sie können auch ein Analysefeld angeben. Dadurch stellt sich jedoch nicht mehr die Frage, wo sich viele oder wenige Punkte befinden, sondern wo hohe und niedrige Feldwerte räumliche Cluster bilden.
Punktpositionen weisen keine hinreichende Variation auf, um Hot- und Cold-Spots zu berechnen. Lagegleiche Punkte reduzieren beispielsweise die räumliche Abweichung. Sie können einen angrenzenden Bereich, Aggregationsflächen (mindestens 30) oder ein Analysefeld bereitstellen.	Das Werkzeug erstellt ein Netzgitter zur Überlagerung der Punkte basierend auf der Anzahl der Punkte und auf deren Verteilung. Nachdem die Anzahl der Punkte in den einzelnen Netzquadraten gezählt und die Quadrate mit Punktzahlen von Null entfernt wurden, verblieben weniger als 30 Quadrate. Für dieses Werkzeug sind mindestens 30 Anzahlwerte (30 Quadrate) erforderlich, um zuverlässige Ergebnisse zu liefern.	Wenn die Punkte nur wenige eindeutige Positionen einnehmen (wenn viele lagegleiche Punkte vorhanden sind), ist es eine gute Lösung, Aggregationsflächen bereitzustellen, die die Punkte überlagern, oder eingrenzende Analyseflächen zu zeichnen und bereitzustellen, die angeben, wo Punkte möglich sind und wo sie nicht auftreten können. Sie können auch ein Analysefeld angeben. Dadurch stellt sich jedoch nicht mehr die Frage, wo sich viele oder wenige Punkte befinden, sondern wo hohe und niedrige Feldwerte räumliche Cluster bilden.
Die Variation unter den Punkten innerhalb der Grenzpolygonflächen ist nicht ausreichend. Sie können größere Grenzen angeben.	Das Werkzeug erstellt ein Netzgitter zur Überlagerung der Punkte basierend auf Punktpositionen und der Anzahl der Punkte. Nachdem die Anzahl der Punkte in den einzelnen Netzquadraten gezählt und die Quadrate außerhalb der eingegrenzten Analyseflächen entfernt wurden, verblieben weniger als 30 Netzquadrate. Für dieses Werkzeug sind mindestens 30 Anzahlwerte (30 Quadrate) erforderlich, um zuverlässige Ergebnisse zu liefern.	Wenn die Punkte unterschiedliche Positionen innerhalb der eingegrenzten Analyseflächen einnehmen, müssen Sie möglicherweise lediglich größere Grenzen angeben. Wenn die Punkte nur wenige eindeutige Positionen einnehmen (wenn viele lagegleiche Punkte vorhanden sind), ist es eine gute Lösung, Aggregationsflächen bereitzustellen, die die Punkte überlagern. Sie können auch ein Analysefeld angeben. Dadurch stellt sich jedoch nicht mehr die Frage, wo sich viele oder wenige Punkte befinden, sondern wo hohe und niedrige Feldwerte räumliche Cluster bilden.
Vermutlich sind alle Werte für das Analysefeld identisch. Hot- und Cold-Spots können nicht berechnet werden, wenn das analysierte Feld keine Variation aufweist.	Wahrscheinlich haben Sie ein Analysefeld angegeben, das denselben Wert für alle Punkt- oder Flächen-Features im Analyse-Layer aufweist. Die von diesem Werkzeug verwendete Statistik kann keine Berechnung vornehmen, es sei denn, es soll mit unterschiedlichen Werten gearbeitet werden.	Sie können ein anderes Analysefeld angeben oder für Punkt-Features Punktdichten analysieren, keine Punktwerte.
Für die bereitgestellten Daten konnten keine Hot- und Cold-Spots berechnet werden. Geben Sie ggf. ein Analysefeld an.	Nachdem das Werkzeug ein Netzgitter erstellt und die Anzahl der Punkte in jedem Quadrat ermittelt hatte, war die Anzahl aller Quadrate identisch, was sehr unwahrscheinlich ist	Die Lösung besteht darin, eigene Aggregationsflächen bereitzustellen, eingrenzende Analyseflächen zu zeichnen oder bereitzustellen oder ein Analysefeld anzugeben.
Die Zellengröße sollte kleiner sein als das Entfernungsband.	Sie haben einen Entfernungsbandwert angegeben, der kleiner ist als die Größe der einzelnen Gitterzellen.	Überprüfen Sie die für Entfernungsband und Zellengröße angegebenen Einheiten; verwenden Sie den vom Werkzeug berechneten Standardwert oder einen Wert, der größer ist als die Größe einer einzelnen Gitterzelle.

Zusätzliche Informationen zu den Algorithmen, die vom Werkzeug Ausreißer suchen verwendet werden, finden Sie unter "Funktionsweise der optimierten Ausreißeranalyse".