W jaki sposób margines błędu jest zgłaszany na mapie?

14

Podczas zgłaszania szacunków należy zawsze uwzględniać margines błędu. Istnieją konwencjonalne sposoby zgłaszania marginesu błędu w tabeli, tekście lub na wykresie. Ale jak zgłosić margines błędu dla danych wizualizowanych na mapie?

Sean
źródło
grupę zotero na ten temat, gromadząc wyniki naukowe na temat metod i kilka przykładów, można znaleźć tutaj zotero.org/groups/2115520/geouncertain
radek

Odpowiedzi:

11

Niedawny artykuł w czasopiśmie, w którym natknąłem się, dokładnie omawia to, co @Aksel w innej odpowiedzi ( Sun and Wong, 2010 ) (jest dostępny tutaj za darmo online, ale ten link nie zawiera zdjęć map, o ile mogę powiedzieć). Zasadniczo sugerują, że wolą podejście nakładkowe niż małe wielokrotne podejście (tj. Wykonanie dwóch map, jednej przedstawiającej oszacowanie, a drugiej niepewności).

Wartości według map alfa, jak wspomniano na tym forum, stanowią alternatywny sposób reprezentowania niepewności niż nakładanie się linii myślowych (które uważam za bardziej intuicyjne).

Inne prace, które przeczytałem, które mogą być interesujące (chociaż nie odpowiadają bezpośrednio na pytanie), są;

  • Mapowanie wyników regresji ważonej geograficznie ( Mennis, 2006 ) PDF tutaj
  • Wszystkie mapy szacunków parametrów wprowadzają w błąd ( Gelman, 1999 ) PDF tutaj
  • Oryginalny artykuł, który zacytowałem, zawiera informacje o jakości danych w mapowaniu danych amerykańskiej ankiety społeczności (Sun and Wong, 2010)
Andy W.
źródło
5

Widziałem to zrobione w choropleth z kolorem przedstawiającym oszacowanie, a nakładka przerywana / haszowana reprezentująca współczynniki zmienności. Ale nie widziałem w tym standardu.

ako
źródło
4

Jak wskazał Andy, rozmycie bieli jest opcją. Inną opcją jest użycie pewnego rodzaju filtru prezentacji: wyświetlasz tylko te wyniki, które są bardziej pewne niż określony próg. Możesz podać różne mapy z różnymi progami.

Najniższym progiem może być odchylenie standardowe całej populacji (lub jakiś bardzo prosty model, w zależności od danych). Jeśli stosowana jest złożona procedura mapy z dużą niepewnością, duże obszary mogą mieć niepewności wyższe niż to odchylenie standardowe. (zależy oczywiście od twojej zmiennej: dla węgla organicznego w glebie to stwierdzenie jest prawdziwe, do wizualizacji np. błędu na mapie wysokości, którego próg w ogóle nie ma sensu). Niektóre bezwstydne autopromocje: papier, który wykorzystuje taką technikę, to: ten papier

johanvdw
źródło
1

W przypadku danych na poziomie punktów praca Jaya Fowlera „Kartograficzna komunikacja niepewności na poziomie punktów” (link do cytowania , pełny tekst , plakat ; znaleziony za pośrednictwem CartoNews ) zapewnia doskonały przegląd metod:

wprowadź opis zdjęcia tutaj

Więcej wizualnych przykładów.

Jak sugeruje @ako, kropkowana nakładka może być użyta do przedstawienia znaczenia. Przykład z Nagy, C. i in. (2014). Hierarchiczne mapowanie przestrzenno-czasowe przedwczesnej umieralności z powodu alkoholowej choroby wątroby na Węgrzech, 2005-2010. European Journal of Public Health , 24 (5), 827–33 ( link , paywall):

wprowadź opis zdjęcia tutaj

Jakoś odwrotną metodę, która zaciera obszary o mniejszym znaczeniu, można znaleźć w Atlasie Raka Europy Północnej :

wprowadź opis zdjęcia tutaj

Późniejsze mapy atlasu NORDCAN wydają się przełączać na bardziej agresywne cieniowanie:

wprowadź opis zdjęcia tutaj

(Więcej szczegółów na temat tej techniki można znaleźć (za paywall) w: Patama T, Pukkala E (2016) „Metoda wygładzania oparta na małych obszarach do mapowania ryzyka raka” Epidemiologia przestrzenna i czasoprzestrzenna , http: //dx.doi. org / 10.1016 / j.sste.2016.05.003 )

Przepraszam za moją bezwstydną wtyczkę, oto mapa z publikacji, w której uczestniczyłem w prezentacji wyników z bayesowskiego modelu przestrzennego. Niepewność współczynników prawdopodobieństwa poziomu obszaru (kodu pocztowego) oszacowanych przez model (które są przedstawione za pomocą odcieni kwadratów) została włączona jako mapa choropleth w tle.

wprowadź opis zdjęcia tutaj

radek
źródło
Wiele dobre referencje na ten temat można znaleźć na Kristi Pottera strony
Radek
CGV: Large: Collaborative Research: Modelowanie, wyświetlanie i rozumienie niepewności w symulacjach do podejmowania decyzji politycznych to kolejne miejsce zapewniające niewiele zasobów na bieżące projekty badające ten temat.
radek