000			04963namaa2200421 i 4500
003			OSt
005			20250223033338.0
008			241204s2023 ua a|||f |m|| 001 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a519.5
092			_a519.5 _221
097			_aM.Sc
099			_aCai01.03.01.M.Sc.2023.Al.M.
100	0		_aAllaa Hatem Mohamed Fathy, _epreparation.
245	1	0	_aMulti-Scale Geographically Weighted Quantile Regression Model / _cBy Allaa Hatem Mohamed Fathy Elkady; Supervised by, Prof. Abd Elnasser Saad Abdrabou, Dr. Amira Sherif Elayouty
246	1	5	_aنموذج الإنحدار الجزيئي الموزون جغرافيًا متعدد المقاييس /
264		0	_c2023.
300			_a105 pages : _billustrations ; _c25 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc.)-Cairo University, 2023.
504			_aBibliography: pages 200-250.
520			_aSpatial non-stationarity and spatial autocorrelation are two typical properties of spatial data. Geographically Weighted Regression (GWR) is a class of models which explores and accounts for the potential non-stationarity of relationships between a response and some explanatory variables across space. In some situations, heterogeneity does not only arise from the non-stationarity of data relationships over space but also from the response heterogeneity across different locations of the response distribution. This leads to the rise of Geographically Weighted Quantile Regression (GWQR) which accounts for both sources of heterogeneity and provides an entire description of the response distribution across space. However, GWQR assumes that modelled processes operate at the same spatial scale. This is an unrealistic assumption for spatially varying relationships that may operate at different spatial scales. Therefore, a Multi-scale Geographically Weighted Quantile Regression (MGWQR) relaxing the assumption that all relationships operate at the same scale is proposed here. This proposed methodology relies on estimating a vector of optimal bandwidths measuring the spatial scales at which the different processes (relationships) operate at each quantile. The estimation of the model and the selection of the vector of bandwidths in MGWQR are implemented using a back-fitting algorithm. The performance of the proposed model is evaluated against the existing GWQR using a simulation study under different scenarios. Then, the model is applied to a real-life dataset, which considers the impacts of a set of climate variables on children’s health and growth data in Uganda.
520			_aغالبًا ما تفترض نماذج الانحدار التقليدية أن الملاحظات مستقلة وأن علاقات التنبؤ بالاستجابة بين المتغيرات ثابتة. هذه الافتراضات ليست واقعية بالنسبة للبيانات المكانية. ولهذا السبب تم تطوير النماذج المكانية التي تأخذ بعين الاعتبار العوامل المكانية والجغرافية. إحدى الفئات الشائعة لهذه النماذج هي الانحدار الموزون جغرافيًا .(GWR) فيGWR، يتم تحديد العلاقات المتوسطة بين المتغيرات محليًا ويتم تقدير تقديرات المعلمات المستندة إلى الموقع للمتغيرات المشتركة باستخدام طرق الانحدار والتمهيد المحلية لكل موقع في الفضاء. يتطلب تقدير GWR ترجيح نقاط البيانات وفقًا لمدى قربها من كل نقطة في البيانات. عادةً ما يتم تخصيص أوزان أعلى للنقاط الأقرب وفقًا لوظيفة اضمحلال المسافة المحددة التي تحدد عرض النطاق الترددي المطلوب لنموذج .GWR يوضح حجم عرض النطاق الترددي النطاق المكاني للعلاقة قيد الدراسة، حيث يشير عرض النطاق الترددي الأصغر إلى علاقات أكثر محلية.
530			_aIssued also as CD
546			_aText in English and abstract in Arabic & English.
650		7	_aStatistics _2qrmak
653		0	_aBack-fitting, climate _aGeographically Weighted Regression _aQuantile Regression _aMultiscale Geographically Weighted Regression
700	0		_a. Abd Elnasser Saad Abdrabou _ethesis advisor.
700	0		_aAmira Sherif Elayouty _ethesis advisor.
900			_b01-01-2023 _cAbd Elnasser Saad Abdrabou _cAmira Sherif Elayouty _UCairo University _FFaculty of Economics and Political Science _DDepartment of Statistics
905			_aEman El gebaly _eHuda
942			_2ddc _cTH _e21 _n0
999			_c169255