La herramienta Buscar puntos calientes determinará si hay algún clustering estadísticamente significativo en el patrón espacial de tus datos.
- ¿Están realmente agrupados tus puntos (incidentes criminales, árboles, accidentes de tráfico)? ¿Cómo puedes estar seguro?
- ¿Has descubierto de verdad un punto caliente estadísticamente significativo (para el gasto, la mortalidad infantil, notas de examen sistemáticamente altas) o contaría tu mapa una historia diferente si cambiaras sus símbolos?
Incluso los patrones espaciales aleatorios presentan cierto grado de clustering. Además, nuestros ojos y nuestros cerebros intentan, de forma natural, encontrar patrones aunque no exista ninguno. En consecuencia, puede ser difícil saber si los patrones de los datos son el resultado de procesos espaciales reales en acción o de una simple casualidad aleatoria. Esta es la razón por la que los investigadores y analistas utilizan métodos estadísticos como Buscar puntos calientes (Getis-Ord Gi*) para cuantificar los patrones espaciales. Cuando encuentras un clustering estadísticamente significativo en tus datos, dispones de una información valiosa. Saber dónde y cuándo se produce el clustering puede proporcionar pistas importantes sobre los procesos que producen los patrones que se están viendo. Saber que los robos residenciales, por ejemplo, son por sistema más frecuentes en ciertas vecindades es una información vital si se tienen que diseñar estrategias de prevención eficaces, asignar recursos policiales escasos, iniciar programas de vigilancia vecinal, autorizar investigaciones criminales en profundidad o identificar sospechosos potenciales.
1 Analizar entidades de área
Muchos de los datos están disponibles para entidades de área como distritos censales, condados, distritos de voto, regiones hospitalarias, parcelas, límites de parques y zonas de recreo, cuencas hidrográficas, clasificaciones de cobertura de suelo y áreas climáticas. Cuando la capa de análisis contenga entidades de área, deberás especificar un campo de numérico que se usará para encontrar clusters de valores altos y bajos. Este campo podría representar:
- Recuentos (como el número de hogares)
- Tasas (como la proporción de población que tiene un título universitario)
- Medias (como la media o la mediana de ingresos por hogar)
- Índices (como el valor que indica si el gasto por hogar en artículos deportivos es superior o inferior a la media nacional)
Con el campo que has proporcionado, la herramienta Buscar puntos calientes creará un mapa (la capa resultante) que muestra las áreas con clusters estadísticamente significativos de valores altos (puntos calientes: rojos) y valores bajos (puntos fríos: azules). Este tipo de análisis puede ayudar a responder a diversas preguntas:
¿Qué áreas tienen el mejor o peor acceso a los servicios?
Basándote en el número de niños y de pediatras, por ejemplo, puedes identificar áreas con buena y mala accesibilidad a servicios pediátricos. Esta información podría ayudar a dirigir programas de incentivos para reclutar médicos con especialidad pediátrica en cualquier área de accesibilidad pobre que encuentres. Para este análisis podrías crear una variable que refleje el número de pediatras por niño. Podrías ejecutar Buscar puntos calientes con estos índices para localizar las áreas con clusters estadísticamente significativos de valores altos (puntos calientes que reflejen buena accesibilidad) y valores bajos (puntos fríos que reflejen una accesibilidad pobre).
¿Dónde hay tipos de eventos en particular en una proporción superior a la esperada para todos los eventos?
Imagina que los bomberos del condado están preocupados por un creciente problema con incendios relacionados con la cocina. Puedes ayudar. En primer lugar calcula el número de incendios en cocinas dividido por el número de incendios de otro tipo producidos en viviendas para cada barrio del área de estudio (distritos censales, por ejemplo). Después ejecuta Buscar puntos calientes en estas proporciones para localizar las comunidades con número de eventos de incendios en cocinas superiores a los esperados (puntos calientes). Los tipos de alimentos preparados junto a las prácticas específicas de cocinar pueden hacer que ciertas comunidades sean más propensas a incendios en la cocina que otras. El uso de anuncios o materiales educativos estratégicamente dirigidos a estas comunidades de alto riesgo pueden impedir incendios futuros.
Dónde se dan las afiliaciones más sólidas o más débiles?
Quizá desees saber qué regiones mostraron el mayo o el menor apoyo a un determinado partido político, candidato o iniciativa popular, por ejemplo. Esta información podría ser útil para guiar las estrategias de las campañas de futuras elecciones. En el siguiente mapa, las áreas rojas son clusters estadísticamente significativos en los que el porcentaje de votos al Partido Republicano fue muy superior a los votos al Partido Demócrata; las áreas azules son clusters estadísticamente significativos de fuerte apoyo al Partido Demócrata. El mapa se creó restando la proporción de votos demócratas de la proporción de votos republicanos y después ejecutando Buscar puntos calientes sobre estas diferencias.
2 Analizar entidades de punto
Hay disponibles diversos datos como entidades de punto. Algunos ejemplos de entidades frecuentemente representadas como puntos son incidentes criminales, escuelas, hospitales, eventos de llamadas de emergencia, accidentes de tráfico, pozos de agua, árboles y embarcaciones. En ocasiones te puede interesar analizar valores de datos (un campo) asociados con cada entidad de puntos. En otros casos, quizá solo te interese evaluar la formación de clusters en los propios puntos. La decisión de proporcionar o no un campo dependerá de la pregunta que se esté formulando.
2.1 Buscar agrupaciones de valores altos y bajos asociadas con entidades de puntos
Quieres proporcionar un campo de análisis para responder a preguntas como: ¿Dónde se agrupan los valores altos y bajos entre los puntos? El campo seleccionado podría representar:
- Recuentos (como el número de accidentes de tráfico en las intersecciones de calles)
- Tasas (como desempleo urbano, en la que cada ciudad se representa como una entidad de punto)
- Medias (como la nota media en los exámenes de matemáticas entre escuelas)
- Índices (como el índice de satisfacción del consumidor para concesionarios de coches en el país)
Saber dónde se agrupan espacialmente los valores altos y bajos asociados con entidades de puntos puede ayudarte a responder a preguntas importantes. Por ejemplo:
¿Dónde hay recursos suficientes y dónde insuficientes?
Para la gestión de catástrofes, por ejemplo, comprender las tendencias en la disponibilidad de camas hospitalarias puede ayudarte a preparar y planificar emergencias. Si tus entidades de puntos representan servicios hospitalarios, calcular el número medio de camas disponibles cada día, semana, mes o temporada, y ejecutar Buscar puntos calientes sobre estas medias permitirá mostrar las regiones hospitalarias que están habitualmente llenas al igual que las que habitualmente tienen disponibilidad, y también puede revelar importantes tendencias temporales.
Otro ejemplo puede analizar cuántos profesores de escuela son necesarios. Si tus entidades de puntos son escuelas y cada punto se asocia con la proporción media de alumnos por profesor, Buscar puntos calientes aplicado a estas proporciones mostrará los distritos escolares con escasez de profesores y/o servicios en el aula.
¿Qué áreas tienen mejor y peor exposición?
Si, por ejemplo, las tiendas de un centro comercial se representan como entidades de puntos con un campo de análisis que refleje el tráfico de compradores, Buscar puntos calientes te permitirá determinar con confianza qué áreas del centro comercial están más y menos expuestas a los compradores.
2.2 Buscar agrupaciones de recuentos de puntos altos y bajos
Para algunos datos de puntos, típicamente cuando cada punto representa un evento, incidente o indicación de presencia/ausencia, no habrá un campo de análisis obvio que utilizar. En estos casos, solo tienes que saber dónde se da una creación de clusters inusualmente intensa o escasa (estadísticamente significativa). Para este análisis, las entidades de área (una cuadrícula que la herramienta crea para ti, o una capa de área que tú proporcionas) se sitúan sobre los puntos y se hace un recuento del número de puntos incluido dentro de cada área. La herramienta encuentra los clusters de recuentos de puntos altos y bajos asociados con cada entidad de área. Saber dónde se encuentran los clusters estadísticamente significativos de recuentos de puntos puede ayudar a responder a diversas preguntas como:
¿Dónde están los recursos adicionales necesarios?
Si cada entidad de puntos representa un crimen en la ciudad, ejecutar la herramienta Buscar puntos calientes en estos puntos puede mostrarte las áreas con mayor y menor índice de criminalidad. Esta información puede ayudar a guiar la asignación de recursos para la prevención de crímenes.
¿Dónde están las áreas prioritarias?
Con los datos de puntos reflejando los árboles adultos en un bosque, Buscar puntos calientes puede revelar las áreas con la mayor y la menor densidad de árboles, lo que podría ser una información muy valiosa para los encargados de los bosques.
De modo similar, si cada punto representa un árbol con una enfermedad o infectado por plagas, el uso de Buscar puntos calientes para identificar áreas en las que estos problemas tienen mayor intensidad (puntos calientes) puede ayudar a determinar áreas prioritarias para su tratamiento. Identificar áreas con baja incidencia de enfermedad o plaga (puntos fríos) puede proporcionar pistas sobre los factores de fomentan la resistencia. Saber que el agrupamiento de alta o baja incidencia de enfermedad/plaga es estadísticamente significativo proporciona una sólida evidencia de que hay factores subyacentes que fomentan o disminuyen estos problemas.
Un mapa de puntos calientes de accidentes de tráfico con una o más víctimas mortales puede ayudar a priorizar proyectos de mejora en materia de seguridad.
Ejecutar Buscar puntos calientes en la ejecución de hipotecas puede ayudar a determinar dónde son más necesarios los programas de asistencia. Buscar puntos calientes en los que el número de ejecuciones de hipotecas es inesperadamente bajo proporciona pistas sobre la capacidad de resistencia de los propietarios.
Para este tipo de análisis (a menos que se proporcionen áreas de agregación para contar puntos de incidentes) la herramienta Buscar puntos calientes construirá una cuadrícula y la colocará sobre los puntos de la capa de análisis. El número de puntos que se encuentran en cada cuadrado de la malla se contará y se analizará. Solo se analizarán cuadrados con al menos un punto a menos que definas la ubicación posible de puntos.
Los puntos calientes estadísticamente significativos (rojos) de la capa de resultados reflejan los clusters espaciales de los cuadrados de la malla con valores de recuento altos. Asimismo, los puntos fríos estadísticamente significativos (azules) reflejan los clusters espaciales de cuadrados de la malla con valores de recuento muy bajos. Nota: la capa de resultados no es una superficie de densidad, sino que indica ubicaciones en las que los recuentos de puntos altos o bajos están demasiado agrupados para ser el resultado de procesos aleatorios. Podría ocurrir que no haya ningún cluster estadísticamente significativo en los datos de puntos que estás analizando.
2.2.1 Definir ubicación posible de puntos
Especifica una capa de área o dibuja áreas que definan un área de estudio en la que quieras que se realice el análisis en todas las ubicaciones en las que podrían producirse entidades de puntos de incidentes. Para esta opción, la herramienta Buscar puntos calientes se superpondrá al área de estudio definida con una cuadrícula y hará un recuento de los puntos que se encuentran en cada cuadrado de una malla. Cuando no indiques dónde son posibles los puntos de incidentes utilizando esta opción, la herramienta Buscar puntos calientes solo analizará los cuadrados de malla que contengan al menos un punto. Sin embargo, cuando hagas uso de esta opción para definir dónde son posibles los puntos, se hará el análisis de todos los cuadrados de malla que se encuentren en las áreas de límite que definas. He aquí algunos ejemplos de cuándo sería especialmente útil especificar límites para el análisis:
¿Dónde se encuentran las áreas problemáticas dentro de los límites previstos?
Si los datos de puntos representan solicitudes de asistencia en el puerto para un barco, debes proporcionar áreas de límite que reflejen las vías navegables del puerto por las que viajan los barcos. Los puntos calientes detectados reflejarán las ubicaciones con un número de solicitudes de asistencia inesperadamente alto. Saber que estas ubicaciones existen puede dar lugar a una investigación y llevar a la implementación de medidas preventivas.
Otros escenarios:
- El fraude en tiendas minoristas se dará únicamente en aquellos lugares en los que existen estos establecimientos. Buscar ubicaciones con un número anormalmente alto de incidentes de fraude puede ayudar a encontrar sospechosos potenciales.
- Las ejecuciones de hipotecas solo se darán en ubicaciones en las que hay casas. Encontrar puntos calientes de ejecuciones puede identificar vecindades que necesitan asistencia prioritaria.
- Los incendios forestales solo se darán en áreas arboladas y no se producirán en masas grandes de agua. Cualquier punto caliente o punto frío estadísticamente significativo de este análisis puede ayudar a diseñar directivas y prácticas de gestión forestal.
2.2.2 Contar puntos de las áreas de agregación
En algunos casos, entidades de área como distritos censales, distritos policiales o parcelas tendrán más sentido para el análisis que una cuadrícula predeterminada. He aquí algunos ejemplos de situaciones en las que tendría sentido proporcionar una capa de área con fines de agregación:
¿Qué áreas de informes administrativos reflejan la formación de clusters estadísticamente significativos de recuentos de puntos altos y bajos?
Para encontrar las secciones de una ciudad en la que son más necesarios los programas de eliminación de amianto, puedes proporcionar una capa de área de los distritos censales de la ciudad para superponer ubicaciones de punto en las que se han identificado amianto en los hogares.
A fin de comprender mejor el modo en que el virus de la gripe se propaga por un país, puedes proporcionar límites de códigos postales y entidades de puntos que representan casos de gripe. Al analizar nuevos incidentes cada semana, conocerás dónde se encuentran los puntos calientes y si van en aumento, disminuyen o se trasladan.
2.2.3 Elegir el atributo por el que se va a dividir
Existen dos métodos comunes para identificar puntos calientes y fríos:
- Por recuento: cuando analizas un dataset concreto, normalmente lo que quieres es encontrar los puntos calientes y fríos del número de entidades de cada área de agregación del área de estudio. Por ejemplo, puede que estés buscando los puntos calientes donde se han producido el mayor número de delitos y los puntos fríos donde se han producido el menor número de delitos con el fin de asignar recursos.
- Por intensidad: analizar y comprender patrones que tienen en cuenta las distribuciones subyacentes que influyen en un fenómeno concreto también puede resultar interesante. Este concepto se denomina en muchos casos normalización o el proceso de dividir un valor de atributo numérico por otro para reducir las diferencias en los valores según el tamaño de las áreas o el número de entidades de cada área. Por ejemplo, si volvemos al ejemplo de los delitos, puede que quieras saber dónde están los clusters del número de delitos mayor y menor que tienen en cuenta la población subyacente. En este caso, harías un recuento del número de delitos de cada área (si esa área área es una cuadrícula o un dataset de un área diferente) y dividir ese número total de delitos por la población total del área. Esto te proporcionaría un índice de criminalidad o el número de delitos per cápita. Encontrar los puntos calientes y fríos de los delitos per cápita responde a una pregunta diferente que también puede ayudar en la toma de decisiones.
La elección del atributo adecuado que se va a utilizar para dividir es muy importante. Tienes que asegurarte de que el atributo por el que se va a dividir es un atributo que influye claramente en la distribución del fenómeno concreto que estás analizando.
Estos son algunos ejemplos de normalización adecuados:
- Número de ejecuciones hipotecarias dividido por el número total de hogares
- Número de alces avistados dividido por el área total
- Total de ventas dividido por el número de clientes de cada distrito
- Número de desempleados dividido por la población mayor de 16 años
Cuando eliges Dividir por Esri Population, se usan los datos de población de Esri Demographics Global Coverage. Asegúrate de consultar la resolución de datos disponible para el área que te interesa para garantizar que sea compatible con el tamaño de las áreas que se están enriqueciendo (ya sean áreas de agregación que tú proporciones o cuadrados de la malla que se están creando). Visita la página de Esri Demographics Global Coverage para obtener información sobre los niveles de geografía disponibles para cada país y añadas de los datos de población que se están usando en tu análisis.
3 Interpretar resultados
El resultado de la herramienta Buscar puntos calientes es un mapa. En los puntos o las áreas de este mapa de capa de resultados, cuanto más oscuros aparezcan el color rojo o azul, más seguridad podrás tener de que el clustering no es el resultado de una casualidad aleatoria. Los puntos o áreas que aparecen en color beis, por otro lado, no forman parte de ningún cluster estadísticamente significativo; el patrón espacial asociado con estas entidades podría muy bien ser resultado del azar. Algunas veces, los resultados de tu análisis indicarán que no hay ningún cluster estadísticamente significativo. Esta es información importante. Cuando un patrón espacial es aleatorio, no tenemos pista alguna sobre las causas subyacentes. En estos casos, todas las entidades de la capa de resultados aparecerán en beis. Sin embargo, cuando encontramos agrupaciones estadísticamente significativas, las ubicaciones en las que se producen dichas agrupaciones son pistas importantes sobre los motivos que podrían haber generado dicha agrupación. Por ejemplo, encontrar agrupaciones espaciales estadísticamente significativas de cáncer asociado con determinadas toxinas medioambientales, puede promover políticas y medidas destinadas a proteger a la población. De un modo similar, encontrar puntos fríos de obesidad infantil asociada con escuelas que fomenten programas de deporte extraescolar puede proporcionar una sólida justificación para promocionar este tipo de programas a escala más amplia.
4 Solución de problemas
El método estadístico utilizado por la herramienta Buscar puntos calientes se basa en la teoría de la probabilidad y, en consecuencia, necesita un número mínimo de entidades para funcionar con efectividad. Este método estadístico también requiere varios recuentos o valores de campo de análisis. Si, por ejemplo, estás analizando delitos por distrito censal y por casualidad obtienes exactamente el mismo número de delitos en cada distrito, la herramienta no puede solucionar el problema. Debajo se explican los mensajes que pueden mostrarse al hacer uso de la herramienta Buscar puntos calientes:
| Mensaje | Problema | Solución |
|---|---|---|
Las opciones de análisis que has seleccionado necesitan un mínimo de 60 puntos para poder calcular los puntos calientes y fríos. | No hay suficientes entidades de punto en tu capa de análisis de puntos para obtener unos resultados fiables. | La solución lógica es agregar más puntos a la capa de análisis. Como alternativa, puedes intentar definir áreas de análisis de límite y, a partir de aquí, agregar información sobre dónde habrían podido mostrarse los puntos. Para este método necesitarás como mínimo 30 puntos. También puedes proporcionar áreas de agregación que superpongan tus puntos. Para este análisis, necesitarás como mínimo 30 áreas poligonales y 30 puntos dentro de las áreas. Si cuentas como mínimo con 30 puntos, puedes especificar un campo de análisis. Esto obliga a reformular la pregunta de ¿dónde se encuentran muchos o pocos puntos? a la pregunta ¿dónde se agrupan espacialmente los valores altos y bajos? |
Las opciones de análisis que has seleccionado necesitan un mínimo de 30 puntos con datos válidos en el campo de análisis para poder calcular los puntos calientes y fríos. | En tu capa de análisis no hay suficientes puntos, o suficientes puntos asociados con valores de campo de análisis no NULOS, para obtener unos resultados fiables. | Lamentablemente, si tienes menos de 30 puntos, este método de análisis no es el adecuado para tus datos. Si tienes más de 30 puntos y se muestra este mensaje, puede que el campo de análisis que has especificado contenga valores NULOS. Los puntos con valores de campo de análisis NULOS se omitirán. Otra posibilidad consiste en usar un filtro activo que reduzca el número de puntos disponibles para el análisis. |
Las opciones de análisis que has seleccionado necesitan un mínimo de 30 polígonos con datos válidos en el campo de análisis para poder calcular los puntos calientes y fríos. | En tu capa de análisis no hay suficientes áreas poligonales, o suficientes entidades de área, asociadas con valores de campo de análisis no NULOS, para obtener unos resultados fiables. | Lamentablemente, si tienes menos de 30 áreas poligonales, este método de análisis no es el adecuado para tus datos. Si tienes más de 30 áreas y se muestra este mensaje, puede que el campo de análisis que has especificado contenga valores NULOS. Las áreas poligonales con valores de campo de análisis NULOS se omitirán. Otra posibilidad consiste en usar un filtro activo que reduzca el número de áreas poligonales disponibles para el análisis. |
La opción de análisis que has seleccionado necesita un mínimo de 30 puntos para situarse en el interior de las áreas poligonales de límite. | Solo se analizarán aquellos puntos situados dentro de las áreas de análisis de límite que dibujes o proporciones. Para obtener unos resultados fiables, como mínimo 30 puntos deben estar situados dentro de las áreas poligonales de límite. | Lamentablemente, si no tienes como mínimo 30 puntos, este método de análisis no es el adecuado para tus datos. Sin embargo, con 30 entidades como mínimo, esta solución proporcionará áreas de análisis de límite diferentes y quizá mayores. Otra opción consiste en proporcionar una capa de área con un mínimo de 30 polígonos de agregación que superpongan al menos 30 de tus puntos. Cuando proporcionas áreas de agregación, el análisis se realiza en los recuentos de punto dentro de cada área. |
La opción de análisis que has seleccionado necesita un mínimo de 30 puntos para situarse en el interior de los polígonos de agregación. | Solo los puntos situados en el interior de los polígonos de agregación se incluirán en el análisis. Para obtener unos resultados fiables, como mínimo 30 puntos deben estar situados dentro de las áreas poligonales que has proporcionado. | Lamentablemente, si no tienes como mínimo 30 puntos, este método de análisis no es el adecuado para tus datos. De lo contrario, deberías trazar o proporcionar áreas de análisis de límite que superpongan al menos 30 de tus puntos. Las áreas de límite deberían reflejar todas las ubicaciones donde puedan situarse los puntos. |
La opción de análisis que has seleccionado necesita un mínimo de 30 áreas de agregación. | La opción que has seleccionado se superpondrá a las áreas de agregación encima de tus puntos y después contará el número de puntos situados dentro de cada área. Se necesitan como mínimo 30 recuentos (30 áreas) para proporcionar unos resultados fiables. | Solo se pueden obtener unos resultados fiables si proporcionas como mínimo 30 puntos situados como mínimo dentro de 30 áreas de agregación. Si no tienes 30 áreas de agregación, puedes trazar o proporcionar áreas de análisis de límite que superpongan al menos 30 de tus puntos. Estas áreas de límite deberían reflejar todas las ubicaciones donde puedan situarse los puntos. |
Los puntos calientes y fríos no se pueden calcular si el número de puntos de cada área poligonal es idéntico. Inténtalo con áreas poligonales diferentes o selecciona opciones de análisis diferentes. | Cuando la herramienta Buscar puntos calientes ha contado el número de puntos situados dentro de cada área de agregación, ha comprobado que todos los recuentos eran idénticos. Para calcular los resultados, esta herramienta requiere al menos alguna variación en los valores de recuento obtenidos. | Puedes proporcionar áreas de agregación alternativas donde no todas las áreas tendrán el mismo número exacto de puntos. En lugar de áreas de agregación, también puedes trazar o proporcionar áreas de análisis de límite. Como alternativa, puedes especificar un campo de análisis. Sin embargo, esto obliga a reformular la pregunta de ¿dónde se encuentran muchos o pocos puntos? a la pregunta ¿dónde se agrupan espacialmente los valores altos y bajos? |
No existe una variación suficiente en cuanto a puntos de ubicación para calcular los puntos calientes y fríos. Los puntos que coinciden, por ejemplo, reducen la variación espacial. Puedes intentar especificar un área límite, áreas de agregación (un mínimo de 30) o un campo de análisis. | Según el número de puntos y de lo diseminados que se encuentren, la herramienta crea una cuadrícula para superponer los puntos. Después de contar el número de puntos incluido en cada cuadrado de la malla y de eliminar los cuadrados con recuentos que incidan cero, han quedado menos de 30 cuadrados. Esta herramienta necesita como mínimo 30 recuentos (30 cuadrados) para proporcionar unos resultados fiables. | Si tus puntos ocupan muy pocas ubicaciones únicas (hay muchos puntos que coinciden), una buena solución consiste en proporcionar áreas de agregación que superpongan tus puntos, o trazar y proporcionar áreas de análisis de límite que indiquen dónde pueden situarse los puntos y dónde no. Otra opción consiste en especificar un campo de análisis. Sin embargo, esto obliga a reformular la pregunta de ¿dónde se encuentran muchos o pocos puntos? a la pregunta ¿dónde se agrupan espacialmente los valores altos y bajos? |
No existe la variación suficiente entre los puntos dentro de las áreas poligonales de límite. Puedes intentar especificar unos límites mayores. | En función de las ubicaciones y el número de los puntos, la herramienta crea una cuadrícula para superponer los puntos. Después de contar el número de puntos incluido en cada cuadrado de la malla y de eliminar los cuadrados situados fuera de las áreas de análisis de límite, han quedado menos de 30 cuadrados de malla. Esta herramienta necesita como mínimo 30 recuentos (30 cuadrados) para proporcionar unos resultados fiables. | Si tus puntos están situados en distintas ubicaciones dentro de las áreas de análisis de límite, bastarán con crear o proporcionar unos límites mayores. Si tus puntos ocupan muy pocas ubicaciones únicas (hay muchos puntos que coinciden), una buena solución consiste en proporcionar áreas de agregación que superpongan tus puntos Otra opción consiste en especificar un campo de análisis. Sin embargo, esto obliga a reformular la pregunta de ¿dónde se encuentran muchos o pocos puntos? a la pregunta ¿dónde se agrupan espacialmente los valores altos y bajos? |
Todos los valores de tu campo de análisis son probablemente los mismos. Los puntos calientes y fríos no se pueden calcular si no existe una variación en el campo que se está analizando. | Es posible que hayas especificado un campo de análisis que tiene el mismo valor para todos los puntos o áreas en esta capa de análisis. La estadística usada por esta herramienta no puede resolver el problema a no ser que existan varios valores para trabajar con ellos. | Puedes especificar un campo de análisis diferente o, para las entidades de punto, analizar las densidades de los puntos en lugar de los valores de los puntos. |
No se han podido calcular los puntos calientes y fríos de los datos que has proporcionado. Intenta especificar un campo de análisis cuando corresponda. | Aunque es poco probable, cuando la herramienta ha creado una cuadrícula y ha contado el número de puntos incluido en cada cuadrado, los recuentos de todos los cuadrados eran idénticos. | La solución consiste en proporcionar áreas de agregación propias, trazar o proporcionar áreas de análisis de límite, o especificar un campo de análisis. |
En Cómo funciona el análisis de punto caliente optimizado encontrarás información sobre los algoritmos utilizados por la herramienta Buscar puntos calientes.
5 Recursos adicionales
Recursos de estadística espacial ArcGIS