首页 历史故事探究犯罪事件驱动因子的多重共线性特性

探究犯罪事件驱动因子的多重共线性特性

【摘要】:由于时间属性数据、空间属性数据及时空属性数据的时空维度不同,因此在不同类型的参数数据间不存在关联性,故只需分别对时间属性数据和空间属性数据进行多重共线性分析即可。表6.4空间属性数据多重共线性分析表6.5为时间属性数据的多重共线性分析结果,表中特征值均不接近0,条件指数均小于10,且相关系数矩阵中无值接近1,因此判定时间属性数据中不存在多重共线性。表6.5时间属性数据多重共线性分析

多重共线性分析是对多个自变量间存在的高度相关性关系进行分析,以避免在犯罪事件环境关联要素分析中因变量间存在高度自相关性而导致分析模型错误(谢小韦,2009)。由于时间属性数据、空间属性数据及时空属性数据的时空维度不同,因此在不同类型的参数数据间不存在关联性,故只需分别对时间属性数据和空间属性数据进行多重共线性分析即可。以各类参数数据为自变量,以对应空间或时间范围内的三类犯罪事件总数为因变量进行分析。

图6.18 强关联规则可视化

表6.4为空间属性数据的多重线性分析结果,由第9、10、11三个维度的特征值接近0且其条件指数大于10可判定,同时在相关系数矩阵中发现失业率和受高等教育率的系数矩阵有接近甚至大于0.8的矩阵值,因此确定空间属性数据存在多重共线性。综合分析数据,发现失业率、受高等教育率和人均收入类数据有着比较明显的关系,因此尝试去除三项中某项以去除多重共线性,在去除人均收入项后获得了较为理想的结果。因此在空间属性数据中选择去除人均收入项。

表6.4 空间属性数据多重共线性分析

表6.5为时间属性数据的多重共线性分析结果,表中特征值均不接近0,条件指数均小于10,且相关系数矩阵中无值接近1,因此判定时间属性数据中不存在多重共线性。

表6.5 时间属性数据多重共线性分析