pyGWRx 模型选择指南¶
1. 先判断是否需要局部模型¶
先拟合与响应分布匹配的全局模型，检查函数形式、异常值、共线性、异方差和残差空间相关。局部模型适合探索空间/时空异质性，不应作为规避全局模型诊断的捷径。
2. 决策树¶
- 响应是连续 Gaussian？否 → Poisson/Binomial 使用 GWGLM；类别任务使用 GWDA。
- 只是想探索局部分布/相关？→ GWSS；多变量降维 → GWPCA。
- 样本很大、完整距离矩阵不可行？→ ScalableGWR。
- 有时间维度？
- 只需空间+时间距离 → GTWR；
- 各变量尺度不同 → MGTWR；
- 历史有用性由响应变化率决定 → STWR；
- 还需属性相似性 → SGTWR。
- 无时间：
- 标准平滑空间变化 → GWR；
- 每变量尺度不同 → MGWR；
- 部分变量应全局固定 → MixedGWR；
- 地理远但属性相似 → SGWR；
- 需要学习距离几何 → LGGWR；
- 边界突变/机制区 → GRGWR。
- 稳定性问题：异常值 → RGWR；局部共线性 → LCRGWR；局部变量选择 → GWLasso。
- 需要检验非平稳而不是只看地图 → BootstrapGWR。
3. 不应只按 AICc 选模型¶
应同时考虑：假设是否符合机制、空间分块预测、参数稳定性、局部有效样本、残差空间结构、带宽边界、复杂度、可解释性和外部验证。
4. 推荐比较集¶
任何原创/复杂模型至少比较 OLS/GLM、GWR、MGWR 或相应时空基线，并报告同一数据、同一预处理、同一空间验证划分下的结果。