Posterior a investigar con especialistas en esta materia, programadores de varias ramas y profesores dimos con la respuesta a la cuestión y la plasmamos en este post.
Solución:
Aprender haciendo es mi forma preferida. Y cuando se trata de estadísticas espaciales, R se está convirtiendo en una herramienta muy poderosa. Entonces, si esta es una opción, explore algunos materiales del curso, descargue los datos y pruébelo usted mismo.
Pocos puntos de partida que cubren la autocorrelación espacial (SA) (y, en términos generales, el manejo de cosas espaciales en R):
-
Center for Studies in Demography and Ecology (CSDE) de la Universidad de Washington proporciona materiales de R espacial taller.
-
Instituto de Ciencias Sociales Cuantitativas de la Universidad de Harvard tiene materiales de la Estadística espacial aplicada en R taller cubriendo SA.
-
El Departamento de Geografía de la Universidad de Colorado ofrece materiales sobre SA como parte de su Introducción a los Métodos Cuantitativos curso.
Una vez que se familiarice con R, puede combinarlo con PostgreSQL usando PL/R – R Procedural Language for PostgreSQL, pero no puedo comentarlo porque no tengo conocimientos sobre el tema.
Python podría ser otra alternativa. PySAL es una biblioteca desarrollada activamente y bien documentada que le permitirá implementar toda la funcionalidad de GeoDa, incluido SA (y muy probablemente, incluso más). Python y Postgres suelen ser buenos amigos, por lo que si invierte algo de tiempo, lo más probable es que también se case con ellos.
No tengo idea de cómo realizar su idea de QGIS/PostgreSQL, pero el siguiente software puede calcular medidas para la autocorrelación
- GeoDa http://geodacenter.asu.edu/ogeoda
- Pasaje 2 http://www.passagesoftware.net/
- SAM (Análisis Espacial en Macroecología) http://www.ecoevol.ufg.br/sam/
- PASADO http://folk.uio.no/ohammer/past/
- SIG SAGA http://www.saga-gis.org/en/index.html
GeoDa solo puede manejar vector, Passage2 y SAGA solo raster, PAST solo XYZ.txt y SAM (creo) ambos.
Art Lembo tiene un ejemplo simple de un pseudo-Moran’s I para PostGIS:
SELECT corr(a.pctwhite, b.pctwhite)
FROM cleveland AS a, cleveland AS b
WHERE st_touches(a.geometry, b.geometry)
AND a."OID" <> b."OID"
los key aquí está eso, como él lo dice. . .
[Moran’s I] es realmente nada más que el coeficiente de correlación de Pearson engañado en un contexto espacial
. . . lo que significa que una prueba de contigüidad básica puede producir una matriz y una evaluación creíbles. Probé esto con mis propios datos y descubrí que produce resultados muy similares a los de otras implementaciones de Moran.