【770】热点分析、Emerging Hotspot Analysis、P值、Z得分

参考：

热点分析：为数据集中的每个要素返回的 Gi* 统计就是 z 得分。对于具有显著统计学意义的正的 z 得分，z 得分越高，高值（热点）的聚类就越紧密。对于统计学上的显著性负 z 得分，z 得分越低，低值（冷点）的聚类就越紧密。

p值：概率值，概率低值的部分为特殊的，表现为显著，也就是高值和低值，其他部分为常见的

z得分：也叫标准分数（standard score），是一个分数与平均数的差再除以标准差的过程。

下表显示了不同置信度下未经校正的临界 p 值和临界 z 得分。

随机化零假设 - 在适当的情况下，“空间统计”工具箱中的工具会将随机化零假设作为统计显著性测试的基础。随机化零假设会假定对您的数据所观测到的空间模式表示的是多种 (n!) 可能的空间排列中的一种排列。如果您可以拾取数据值并将它们放置到研究区域中的各要素，则可能会得到这些值的某一种可能的空间排列。（请注意，拾取数据值并将它们任意放置是随机空间过程的一个示例）。随机化零假设表明的是，如果您可以无数次进行此练习（拾取数据，然后放置数据），则多数时候您所获得的模式与观测到的模式（真实数据）相比都没有明显差别。偶尔您可能会无意中将所有最高值放置到研究领域的同一角落中，但这样做的概率很小。随机化零假设表明的是，您的数据只是完全空间随机性的众多可能版本之一。数据值是固定不变的，只有它们的空间排列会发生变化。

Emerging Hosspot Analysis

参考：创建时空立方体的工作原理—帮助 | ArcGIS for Desktop

参考：利用优化热点及新兴热点分析暴力犯罪_ll100200yy的博客-CSDN博客_优化热点分析和热点分析图

参考：Understanding overlay analysis—ArcGIS Pro | Documentation

参考：Analyzing violent crime, workflow—Analytics | 文档 (arcgis.com)

几点说明：