Znajdź elementy odstające

Za pomocą narzędzia Znajdź elementy odstające można sprawdzić, czy zależności przestrzenne występujące w danych zawierają statystycznie istotne elementy odstające.

Diagram procedury wykonywania zadań

Przykłady

• Gdzie w Los Angeles występują nietypowe wzorce wydatków?
• Gdzie w badanym obszarze występuje największe rozwarstwienie ekonomiczne?
• Czy w Twojej lokalizacji istnieją sklepy detaliczne, których sprzedaż jest niska, mimo że są otoczone sklepami o wysokim poziomie sprzedaży?
• Gdzie w badanym obszarze wskaźniki występowania cukrzycy są nieoczekiwanie wysokie?
• Czy w Stanach Zjednoczonych występują hrabstwa o nietypowo niskiej wartości oczekiwanej średniej długości życia w porównaniu do sąsiednich hrabstw?

Uwagi dotyczące korzystania

Obiektami wejściowymi mogą być punkty lub obszary.

Do oceny rozmieszczenia przestrzennego obiektów jest używany parametr Znajdź elementy odstające dla. Jeśli obiektami są obszary, należy wybrać pole. Elementy odstające zostaną określone przy użyciu liczb w wybranym polu. Obiekty punktowe można analizować przy użyciu pola lub opcji Liczba punktów. Jeśli używana jest opcja Liczba punktów, narzędzie określi, czy to same punkty są wyjątkowo rozproszone lub zgrupowane, a nie wysokie i niskie wartości pól.

W przypadku analizowania punktów przy użyciu opcji Liczba punktów dostępne są dwie dodatkowe opcje. Parametr Liczba punktów w umożliwia zagregowanie punktów w elemencie Siatka, Siatka sześciokątna lub w warstwie powierzchniowej z panelu Zawartość (na przykład zawierającej powiaty lub kody pocztowe). Parametr Wskaż prawdopodobne miejsca punktów jest używany do tworzenia jednego lub wielu obszarów zainteresowań. Dla tego parametru dostępne są trzy opcje: wartość Brak oznaczająca, że używane są wszystkie punkty, obszar zdefiniowany przez warstwę powierzchniową z panelu Zawartość i obszary utworzone za pomocą narzędzia Wyświetl.

Dane można znormalizować przy użyciu parametru Dzielone przez. W przypadku danych Zaludnienie Esri używana jest funkcja Wzbogacanie danych przestrzennych i wymagane jest wykorzystanie kredytów. Inną opcją jest normalizowanie przy użyciu pola z warstwy wejściowej. Niektóre z możliwych wartości, których można użyć do normalizacji, to liczba gospodarstw domowych lub obszar.

Do określenia prawdopodobieństwa znalezienia rzeczywistego rozkładu przestrzennego analizowanych wartości w statystyce używanej przez to narzędzie stosowane są permutacje. Wartości danych są porównywane z zestawem wartości wygenerowanych losowo. Wybór liczby permutacji w parametrze Optymalizuj dla to wybór między dokładnością, a szybkością (im mniejsza szybkość, tym dłuższy czas przetwarzania). Mniejszej liczby permutacji można użyć podczas początkowego badania problemu, ale zaleca się zwiększyć liczbę permutacji, aby uzyskać jak największą dokładność ostatecznych wyników.

Za pomocą menu rozwijanego Opcje można ustawić konkretną wartość opcji Wielkość komórki lub Pasmo odległości na potrzeby analizy.

Warstwa wynikowa będzie zawierać dodatkowe pola wypełnione takimi informacjami jak Typ klastra / elementu odstającego, liczba sąsiednich elementów uwzględnionych w analizie każdego obiektu oraz Indeks Local Moran's I, Wartość i Wynik dla każdego obiektu. Ponadto warstwa wynikowa zawiera informacje dotyczące analizy statystycznej w sekcji Opis pozycji Szczegóły elementu.

Sposób działania narzędzia Znajdź elementy odstające

Ponieważ oczy i mózg człowieka w sposób naturalny usiłują odnaleźć zależności nawet tam, gdzie ich nie ma, trudno jest ocenić, czy zależności pojawiające się w Twoich danych są wynikiem rzeczywistych procesów przestrzennych, czy tylko losowym przypadkiem. Właśnie dlatego badacze oraz analitycy korzystają z metod statystycznych, takich jak Znajdź elementy odstające (Anselin Local Moran's I) w celu ilościowego określania zależności przestrzennych. Odnalezienie statystycznie istotnych elementów odstających lub klastrów w danych pozwala uzyskać wartościowe informacje. Dzięki wiedzy o tym, gdzie i kiedy pojawiają się elementy odstające oraz klastry, można lepiej poznać procesy sprzyjające powstawaniu widocznych zależności. W przypadku zadań polegających na przykład na opracowaniu skutecznych strategii zapobiegania, rozlokowaniu ograniczonych sił policyjnych, wdrożeniu sąsiedzkich programów przeciwdziałania przestępczości, podjęciu decyzji o rozpoczęciu dogłębnego śledztwa kryminalnego czy identyfikacji potencjalnych podejrzanych informacja o tym, że do kradzieży z włamaniem na terenach mieszkalnych regularnie znacznie częściej dochodzi w określonych dzielnicach, nabiera kluczowego znaczenia.

Narzędzie Znajdź elementy odstające oblicza lokalny indeks Morana (LMiIndex) dla każdego obiektu w zestawie danych. Wartość dodatnia wskazuje, że obiekty sąsiadujące z danym mają podobnie wysokie lub niskie wartości atrybutów, czyli że dany obiekt jest częścią klastra. Wartość ujemna wskazuje, że obiekty sąsiadujące z danym obiektem mają całkiem inne wartości, czyli że obiekt jest elementem odstającym. W obu przypadkach wartość p obiektu musi być wystarczająco mała, aby klaster lub element odstający uznać za statystycznie znaczący. Więcej informacji na temat określania istotności statystycznej można znaleźć w temacie Co to jest wskaźnik z? Co to jest wartość p? Należy zauważyć, że lokalny indeks I Morana (I) jest miarą względną i można go interpretować jedynie w kontekście obliczonego wskaźnika z lub wartości p. Pole Typ klastra / elementu odstającego (COType) umożliwia rozróżnienie między istotnym statystycznie klastrem wysokich wartości (HH), klastrem niskich wartości (LL), elementem odstającym o wysokiej wartości otoczonym głównie przez niskie wartości (HL) oraz elementem odstającym o niskiej wartości otoczonym głównie przez wysokie wartości (LH).

Analizowanie obiektów powierzchniowych

Źródłem dużej ilości danych są obiekty powierzchniowe, takie jak obwody spisowe, hrabstwa/powiaty, okręgi głosowania, okręgi szpitalne, działki, obszary wypoczynkowe, zlewnie, klasyfikacje pokryć terenu oraz strefy klimatyczne. Jeśli warstwa analizy zawiera obiekty powierzchniowe, niezbędne jest podanie pola numerycznego używanego do odszukiwania elementów odstających o wysokich i niskich wartościach. Pole to może przedstawiać:

• Liczby (np. liczbę gospodarstw domowych)
• Wartości procentowe (np. odsetek populacji ludności posiadający wyższe wykształcenie)
• Wartości średnie (np. średni dochód gospodarstwa domowego)
• Współczynniki (np. wartość wskazująca, czy wydatki na sprzęt sportowy w gospodarstwie domowym są poniżej czy powyżej poziomu średniej krajowej)

Za pomocą podanego pola narzędzie Znajdź elementy odstające utworzy mapę (warstwę wynikową) przedstawiającą obszary z istotnymi statystycznie elementami odstającymi o wysokich wartościach (czerwone) i niskich wartościach (niebieskie), jak również z klastrami wysokich wartości (różowe) i niskich wartości (jasnoniebieskie).

Analizowanie obiektów punktowych

W postaci obiektów punktowych udostępniana jest znaczna ilość danych. Przykładami obiektów, które często są przedstawiane w postaci punktów mogą być przestępstwa, szkoły, szpitale, zgłoszenia alarmowe, wypadki drogowe, studnie wodne, drzewa i łodzie. Czasami użytkownicy mogą być zainteresowani analizą wartości danych (pole) związanych z każdym obiektem punktowym. W innych przypadkach przedmiotem zainteresowania może być sama ocena klastrów lub rozproszenia tych punktów. Decyzja o tym, czy należy określić pole, zależy od zadawanego pytania.

Odnajdywanie elementów odstających o wysokich i niskich wartościach powiązanych z obiektami punktowymi

Podanie pola analizy będzie potrzebne, aby odpowiedzieć na pytania takie jak: gdzie występują nietypowo wysokie i niskie wartości? Wybrane pole może reprezentować niektóre z następujących wartości:

• Liczby (na przykład liczba wypadków drogowych na skrzyżowaniach ulic)
• Wartości procentowe (np. stopa bezrobocia w miastach, gdzie miasta reprezentują obiekty punktowe)
• Wartości średnie (na przykład średnia wyników testu z matematyki)
• Wskaźniki (na przykład wskaźnik zadowolenia klienta salonów samochodowych w danym powiecie)

Odnajdywanie elementów odstających o wysokiej i niskiej liczbie punktów

W przypadku niektórych danych punktowych, zwykle w sytuacji, gdy każdy punkt reprezentuje określony przypadek, zdarzenie, wskazanie obecności bądź braku, nie będzie pola analizy, którego można by użyć. W opisanych przypadkach użytkownicy będą chcieli uzyskać informację czy klaster charakteryzuje się nadzwyczajnie dużym lub niskim (statystycznie istotnym) zagęszczeniem. W tej analizie obiekty powierzchniowe (siatka lub siatka sześciokątna, która zostaje utworzona przez narzędzie lub wskazana przez użytkownika warstwa powierzchniowa) zostają nałożone na punkty i obliczona zostaje liczba punktów przypadająca na dany obszar. Następnie narzędzie odszukuje elementy odstające o dużej i małej liczbie punktów powiązanych z każdym obiektem powierzchniowym.

Wskaż prawdopodobne miejsca punktów

Możesz określić warstwę poligonową lub zakreślić analizowany obszar, na którym chcesz przeprowadzić analizę we wszystkich tych lokalizacjach, gdzie potencjalnie mogą występować obiekty punktowe reprezentujące zdarzenia. W tej sytuacji narzędzie Znajdź elementy odstające nałoży na zdefiniowany analizowany obszar siatkę (domyślnie) lub siatkę sześciokątną i obliczy punkty przypadające na każdą komórkę siatki. Jeśli nie skorzystasz z tej opcji umożliwiającej wskazanie potencjalnych lokalizacji punktów zdarzeń, narzędzie Znajdź elementy odstające przeanalizuje jedynie komórki siatki zawierające co najmniej jeden punkt. Gdy jednak użyjesz tej opcji i zdefiniujesz miejsca, gdzie potencjalnie mogą występować punkty, analiza zostanie wykonana dla wszystkich komórek siatki zawartych w granicach zdefiniowanych obszarów.

Liczenie punktów w obrębie własnych obszarów agregacji

W niektórych przypadkach użycie obiektów powierzchniowych, takich jak obwody spisowe, rewiry policyjne lub działki umożliwia uzyskanie bardziej przejrzystych wyników analizy niż domyślna siatka lub siatka sześciokątna.

Wybór dzielenia przez

Istnieją dwie popularne metody identyfikacji elementów odstających:

• Według liczby — w przypadku analizy konkretnego zestawu danych często chcemy znaleźć elementy odstające liczby obiektów w obszarze agregacji w obrębie analizowanego obszaru. Na przykład można odnaleźć elementy odstające o najwyższym wskaźniku przestępstw w obszarach o ogólnie niskim wskaźniku przestępstw i elementy odstające o najniższym wskaźniku przestępstw w obszarach o ogólnie wysokim wskaźniku przestępstw w celu uzyskania maksymalnych korzyści z przydzielonych zasobów.
• Według intensywności — z drugiej strony istotne może być także analizowanie i rozumienie wzorców uwzględniających rozkłady podkładowe mających wpływ na konkretne zjawisko. Taką koncepcję nazywa się często normalizacją lub procesem dzielenia jednej wartości atrybutów liczbowych przez drugą w oparciu o rozmiar obszaru lub liczbę obiektów w każdym obszarze. Na przykład w przypadku przestępstw można także dowiedzieć się, gdzie znajdują się elementy odstające lub skupiska o wysokich i niskich liczbach przestępstw z uwzględnieniem rozmieszczenia populacji. W takim przypadku zliczana będzie liczba przestępstw na każdym obszarze (zależnie od tego, czy dany obszar jest siatką czy innym zestawem danych obszarowych), a następnie całkowita liczba przestępstw będzie dzielona przez całkowitą liczbę populacji na danym obszarze. W rezultacie otrzymamy wskaźnik przestępstw lub liczbę przestępstw przypadających na mieszkańca. Odnajdywanie obszarów elementów odstających dla przestępstw przypadających na mieszkańca pozwala odpowiedzieć na różne pytania, które mogą także pomóc w podejmowaniu decyzji.

Oba sposoby analizy danych na danym obszarze są prawidłowe; wszystko zależy od tego, na jakie pytanie chcemy uzyskać odpowiedź.

Wybór odpowiedniego atrybutu, przez który będziemy dzielić jest bardzo ważny. Konieczna jest pewność, że atrybut, przez który będziemy dzielić (Dzielone przez), jest atrybutem, który w rzeczywistości ma wpływ na rozkład konkretnego analizowanego zjawiska.

W przypadku wyboru opcji Dzielone przez Populacja Esri używane będą dane dotyczące populacji z mapy Globalne dane demograficzne Esri. Pamiętaj, aby sprawdzić rozdzielczość danych dostępnych dla obszaru zainteresowania, aby mieć pewność, że jest ona kompatybilna z rozmiarem obszarów wzbogacanych (dostarczonych obszarów agregacji lub tworzonych oczek siatki).

Interpretowanie wyników

Wynikiem zastosowania narzędzia Znajdź elementy odstające jest mapa. Ciemnoczerwony lub ciemnoniebieski kolor, którym oznaczono punkty lub obszary w warstwie wynikowej, wskazuje istotne statystycznie elementy odstające występujące na badanym obszarze. Kolory jasnoniebieski i różowy wskazują statystycznie istotne klastry. Natomiast punkty lub obszary koloru beżowego nie są elementami odstającymi ani nie należą do statystycznie istotnych klastrów. Istnieje duże prawdopodobieństwo, że zależności przestrzenne związane z tymi obiektami są przypadkowe. Czasem rezultaty analizy będą wskazywały na brak jakichkolwiek statystycznie istotnych elementów odstających lub klastrów. Jest to istotna informacja. Jeśli zależności przestrzenne są przypadkowe, nie można uzyskać informacji na temat czynników kształtujących dane zjawisko. W takich sytuacjach wszystkie obiekty w warstwie wynikowej będą koloru beżowego. Jednak w sytuacji, gdy zidentyfikowane elementy odstające lub klastry są istotne statystycznie, lokalizacje te mogą dostarczyć ważnych wskazówek dotyczących czynników, które doprowadziły do powstania tego zjawiska. Na przykład odnalezienie statystycznie istotnych przestrzennych elementów odstających reprezentujących wskaźniki zachorowań na raka związane z określonymi toksycznymi czynnikami środowiskowymi może doprowadzić do opracowania odpowiednich zasad i działań mających na celu ochronę ludności. Podobnie odnalezienie elementów odstających o niskiej wartości reprezentujących przypadki otyłości w wieku dziecięcym z wykorzystaniem danych o szkołach promujących pozalekcyjne programy sportowe może stanowić silny argument przemawiający za wdrażaniem tego typu projektów na szerszą skalę.

Rozwiązywanie problemów

Metoda statystyczna wykorzystywana w ramach narzędzia Znajdź elementy odstające jest oparta na teorii prawdopodobieństwa, w związku z czym do jej skutecznego działania wymagana jest pewna minimalna liczba obiektów. W ramach tej metody wymagane są także różne wartości liczbowe lub wartości pól analizy. Jeżeli, na przykład, przeprowadzana będzie analiza przestępstw wg obwodów spisowych i, co zadziwiające, okaże się, że w każdym obwodzie dokonana została taka sama liczba przestępstw, narzędzie nie będzie w stanie rozwiązać tego problemu. W poniższej tabeli wyjaśniono znaczenie komunikatów, jakie mogą pojawić się w trakcie korzystania z narzędzia Znajdź elementy odstające:

Komunikat	Problem	Rozwiązanie
Wybrane opcje analizy wymagają co najmniej 60 punktów, aby możliwe było wyznaczenie lokalizacji hot spot i cold spot.	Warstwa analizy punktów obejmuje zbyt małą liczbę obiektów punktowych, aby można było uzyskać wiarygodne wyniki.	Aby rozwiązać ten problem, należy oczywiście dodać punkty do warstwy analizy. Można ewentualnie spróbować zdefiniować granice obszarów analizy, dodając w ten sposób informacje dotyczące tego, gdzie punkty mogłyby się pojawić, lecz się nie pojawiły. W przypadku tej metody wymaganych będzie przynajmniej 30 punktów. Można również spróbować wyznaczyć obszary agregacji, które pokrywają te punkty. Aby móc przeprowadzić analizę, obszary te będą musiały obejmować co najmniej 30 punktów i 30 obszarów poligonów. Jeżeli dostępnych jest co najmniej 30 punktów, można określić pole analizy. W tym przypadku pytanie o to, gdzie znajduje się duża liczba punktów lub kilka z nich zostaje zastąpione pytaniem dotyczącym tego, gdzie pogrupowane są przestrzennie duże i małe wartości pola analizy.
Wybrane opcje analizy wymagają co najmniej 30 punktów z prawidłowymi danymi w polu analizy, aby można było wyznaczyć lokalizacje hot spot i cold spot.	Warstwa analizy obejmuje zbyt małą liczbę punktów lub zbyt małą liczbę punków powiązanych z wartościami pola analizy innymi niż NULL, aby można było uzyskać wiarygodne wyniki.	Jeżeli dostępnych jest mniej niż 30 punktów, wykorzystanie tej metody w przypadku swoich danych staje się niestety niemożliwe. Jeżeli dostępnych jest ponad 30 punktów i pojawia się ten komunikat, określone pole analizy może zawierać wartości NULL. Punkty z wartościami pola analizy NULL będą pomijane. Kolejną przyczyną takiego stanu rzeczy jest aktywny filtr, który powoduje zmniejszenie liczby punktów dostępnych do wykorzystania w analizie.
Wybrane opcje analizy wymagają co najmniej 30 poligonów z prawidłowymi danymi w polu analizy, aby można było wyznaczyć lokalizacje hot spot i cold spot.	Warstwa analizy obejmuje zbyt małą liczbę obszarów poligonów lub zbyt małą liczbę obiektów poligonowych powiązanych z wartościami pola analizy innymi niż NULL, aby można było uzyskać wiarygodne wyniki.	Jeżeli dostępnych jest mniej, niż 30 obszarów poligonów, wykorzystanie tej metody w przypadku swoich danych staje się niestety niemożliwe. Jeżeli dostępnych jest ponad 30 obszarów i pojawia się ten komunikat, określone pole analizy może zawierać wartości NULL. Obszary poligonów z wartościami pola analizy NULL będą pomijane. Kolejną przyczyną takiego stanu rzeczy jest aktywny filtr, który powoduje zmniejszenie liczby obszarów poligonów dostępnych do analizy.
Wybrana opcja analizy wymaga co najmniej 30 punktów wewnątrz granic obszarów poligonów.	Analiza obejmie wyłącznie narysowane lub określone punkty, które są objęte zakresem granic obszarów analizy. Aby uzyskać wiarygodne wyniki, wewnątrz granic obszarów analizy powinno znajdować się przynajmniej 30 punktów.	Jeżeli znajduje się w nich mniej, niż 30 punktów, wykorzystanie tej metody w przypadku swoich danych staje się niestety niemożliwe. Jeśli w granicach tych znajduje się co najmniej 30 punktów, aby rozwiązać powstały problem, często będzie trzeba określić inne, być może większe, granice obszarów analizy. Innym sposobem może być określenie warstwy obszaru, obejmującej przynajmniej 30 poligonów agregacji, które pokrywają co najmniej 30 punktów. Gdy określone zostaną obszary agregacji, do analizy zostaną przyjęte punkty, które będą objęte zakresem każdego obszaru.
Wybrana opcja analizy wymaga co najmniej 30 punktów wewnątrz poligonów agregacji.	Analiza obejmie tylko te punkty, które znajdują się wewnątrz poligonów agregacji. Aby uzyskać wiarygodne wyniki, wewnątrz określonych obszarów poligonów powinno znajdować się co najmniej 30 punktów.	Jeżeli znajduje się w nich mniej, niż 30 punktów, wykorzystanie tej metody w przypadku swoich danych staje się niestety niemożliwe. W przeciwnym razie należy narysować lub określić granice obszarów analizy, które pokrywają co najmniej 30 punktów. W ramach granic obszarów powinny być odzwierciedlone wszystkie lokalizacje, w jakich mogą występować punkty.
Wybrana opcja analizy wymaga co najmniej 30 obszarów agregacji.	Wybrana opcja spowoduje nałożenie obszarów agregacji na punkty i zliczenie liczby punktów objętych zakresem poszczególnych obszarów. Aby uzyskać wiarygodne wyniki, wymaganych jest przynajmniej 30 zliczonych elementów (30 obszarów).	Jeżeli dostępnych będzie przynajmniej 30 punktów, które będą objęte zakresem przynajmniej 30 obszarów agregacji, będzie można uzyskać wiarygodne wyniki. Jeżeli nie jest dostępnych 30 obszarów agregacji, można spróbować narysować lub określić granice obszarów analizy, które będą pokrywały przynajmniej 30 punktów. W ramach tych granic obszarów powinny być wyświetlone wszystkie lokalizacje, w jakich mogą występować punkty.
Nie można wyznaczyć obszarów hot spot i cold spot, jeżeli w każdym obszarze poligonu znajduje się identyczna liczba punktów. Należy spróbować wykorzystać inne obszary poligonów lub inne opcje analizy.	Podczas zliczania punktów w każdym obszarze agregacji przez narzędzie Znajdź lokalizacje hot spot okazało się, że w każdym obszarze znajduje się identyczna liczba punktów. Aby narzędzie to mogło obliczyć wyniki, liczba punktów musi się przynajmniej trochę różnić między poszczególnymi obszarami.	Można określić alternatywne obszary agregacji, które spowodują, że w każdym obszarze będzie znajdowała się inna liczba punktów. Zamiast korzystać z obszarów agregacji, można także spróbować narysować lub określić granice obszarów analizy. Można ewentualnie określić pole analizy. Jednak w tym przypadku pytanie o to, gdzie znajduje się duża liczba punktów lub kilka z nich zostaje zastąpione pytaniem dotyczącym tego, gdzie są zgrupowane przestrzennie duże i małe wartości pola analizy.
Różnice pomiędzy lokalizacjami punktów są zbyt małe, aby można było obliczyć lokalizacje hot spot i cold spot. Pokrywające się punkty ograniczają na przykład poziom zróżnicowania przestrzennego. Można spróbować określić granicę obszaru, obszary agregacji (przynajmniej 30) lub pole analizy.	Narzędzie tworzy siatkę nakładaną na punkty, bazując na liczbie tych punktów oraz sposobie, w jaki są one rozproszone. Po zliczeniu punktów znajdujących się w każdym oczku siatki i usunięciu oczek, w których nie było żadnych punktów pozostało mniej, niż 30 oczek. Aby narzędzie dostarczyło wiarygodnych wyników, wymaganych jest przynajmniej 30 zliczonych elementów (30 oczek).	Jeżeli punkty występują tylko w nielicznych unikalnych lokalizacjach (występuje spora liczba pokrywających się punktów), dobrze jest określić obszary agregacji, które pokrywają te punkty lub narysować i określić granice obszarów analizy, wskazując miejsca, w których punkty mogą występować oraz w których nie powinno ich być. Kolejnym rozwiązaniem jest określenie pola analizy. Jednak w tym przypadku pytanie o to, gdzie znajduje się duża liczba punktów lub kilka z nich zostaje zastąpione pytaniem dotyczącym tego, gdzie są zgrupowane przestrzennie duże i małe wartości pola analizy.
Rozkład punktów w granicach obszarów poligonów charakteryzuje się zbyt małym zróżnicowaniem. Można spróbować określić większy obszar.	Narzędzie tworzy siatkę nakładaną na punkty, bazując na liczbie oraz lokalizacji tych punktów. Po zliczeniu punktów znajdujących się w każdym oczku siatki i usunięciu oczek wykraczających poza obszary granic analizy pozostało mniej, niż 30 oczek. Aby narzędzie dostarczyło wiarygodnych wyników, wymaganych jest przynajmniej 30 zliczonych elementów (30 oczek).	Jeśli punkty znajdują się w różnych lokalizacjach w obrębie granic obszarów analizy, wystarczy tylko ustawić lub określić większe obszary. Jeżeli punkty występują tylko w nielicznych unikalnych lokalizacjach (występuje spora liczba pokrywających się punktów), dobrze jest określić obszary agregacji, które pokrywają te punkty. Kolejnym rozwiązaniem jest określenie pola analizy. Jednak w tym przypadku pytanie o to, gdzie znajduje się duża liczba punktów lub kilka z nich zostaje zastąpione pytaniem dotyczącym tego, gdzie są zgrupowane przestrzennie duże i małe wartości pola analizy.
Wszystkie wartości pola analizy są najprawdopodobniej jednakowe. Nie można wyznaczyć obszarów hot spot i cold spot, jeżeli analizowany obszar nie obejmuje punktów znajdujących się w różnych lokalizacjach.	Najprawdopodobniej określone zostało pole analizy z taką samą wartością określoną dla wszystkich punktów lub obiektów poligonowych objętych zakresem warstwy analizy. Jeżeli nie są dostępne różne wartości, nie można rozwiązać problemu za pomocą statystyki wykorzystywanej w ramach tego narzędzia.	Można określić inne pole analizy lub, w przypadku obiektów punktowych, wykonać analizę zagęszczenia punktów zamiast ich wartości.
Nie można było wyznaczyć lokalizacji hot spot i cold spot dla dostarczonych danych. Należy spróbować określić pole analizy, jeśli jest to właściwe rozwiązanie.	Gdy narzędzie utworzyło siatkę i obliczyło liczbę punktów przypadających na każde oczko siatki okazało się, że wszystkie oczka były identyczne. Jest to jednak dość mało prawdopodobne.	Aby rozwiązać ten problem, można określić własne obszary agregacji, narysować lub określić granice obszarów analizy lub określić pole analizy.
Wielkość komórki powinna być mniejsza niż pasmo odległości.	Podano wartość pasma odległości, która jest mniejsza niż wielkość każdej komórki siatki.	Sprawdź podane jednostki parametrów Pasmo odległości i Wielkość komórki, użyj domyślnej wartości obliczonej przez narzędzie lub użyj wartości, która jest większa niż wielkość pojedynczej komórki siatki.

Dodatkowe informacje dotyczące algorytmów stosowanych w narzędziu Znajdź elementy odstające znajdują się w temacie Zasada działania zoptymalizowanej analizy elementów odstających.

Podobne narzędzia

Za pomocą narzędzia Znajdź elementy odstające można sprawdzić, czy zależności przestrzenne występujące w danych zawierają statystycznie istotne elementy odstające. Poniżej opisano inne narzędzia, które mogą być przydatne.

Narzędzia analizy przeglądarki map

Aby odnaleźć istotne statystycznie skupiska wysokich i niskich wartości w zależnościach przestrzennych danych, należy użyć narzędzia Znajdź lokalizacje hot spot.

Jeśli do tworzenia mapy zagęszczenia używane są pomiary punktowe lub liniowe, należy użyć narzędzia Oblicz zagęszczenie.

Narzędzia analizy ArcGIS Desktop

W narzędziu Znajdź elementy odstające stosowane są te same metody statystyczne, które są używane w narzędziach Analiza klastrów i elementów odstających (Anselin Local Moran's I) oraz Zoptymalizowana analiza elementów odstających.