Một mô hình Hedonic toàn thành phố giả định cùng một hệ số diện tích, khoảng cách hay metro cho mọi vị trí. Nhưng thị trường BĐS có thể không đồng nhất: premium gần metro mạnh ở khu ngoại vi nhưng yếu ở CBD; tác động diện tích khác giữa khu căn hộ nhỏ và khu biệt thự. Geographically Weighted Regression – GWR – cho phép coefficients thay đổi theo không gian.
Multiscale GWR – MGWR – đi thêm một bước: mỗi biến có thể hoạt động ở một thang không gian khác nhau. Đây là insight rất phù hợp BĐS vì tác động của yếu tố vi mô và vĩ mô không có cùng phạm vi.
Chuyên đề: Mô hình định lượng, không gian & mô phỏng trong BĐS · Bài 26 · Không gian, vị trí và cấu trúc thị trường
Biên soạn: ThS. Nguyễn Mạnh Hùng
Đơn vị: GV. Khoa QLĐĐ&BĐS – ĐH Nông Lâm TP.HCM
Email: nguyenmanhhung@hcmuaf.edu.vn
1. Global regression vs local regression
OLS/Hedonic global: yᵢ = β₀ + Σβₖxᵢₖ + εᵢ. GWR: yᵢ = β₀(uᵢ,vᵢ)+Σβₖ(uᵢ,vᵢ)xᵢₖ+εᵢ. Mỗi location có local coefficients ước lượng từ observations lân cận có trọng số.
2. Kernel weights
Observations gần location i có trọng số cao hơn. Kernels có thể Gaussian, bi-square; bandwidth cố định theo distance hoặc adaptive theo số neighbors.
Adaptive bandwidth hữu ích khi mật độ giao dịch không đều.
3. Bandwidth là tham số cốt lõi
Bandwidth nhỏ → rất local nhưng variance cao; lớn → gần global, bias cao. Cross-validation hoặc AICc thường dùng chọn bandwidth.
Không chọn bandwidth để bản đồ trông đẹp.
4. GWR local coefficients
Kết quả gồm β_k tại mỗi location, local t-like statistics, local R², residuals. Mapping coefficients cho thấy spatial heterogeneity.
Nhưng nhiều local tests tạo multiple comparison và inflated false positives.
5. MGWR khác GWR
GWR dùng một bandwidth cho mọi biến; MGWR cho mỗi β_k một bandwidth riêng. Ví dụ building age effect có bandwidth 500 neighbors (gần-global), metro access effect 80 neighbors (local).
Variable-specific scale giúp diễn giải process scale tốt hơn.
6. Scale interpretation
Bandwidth lớn không có nghĩa coefficient lớn; nó nghĩa relationship thay đổi chậm theo không gian. Bandwidth nhỏ nghĩa local variation mạnh.
7. Local multicollinearity
Hai biến có thể không collinear toàn cục nhưng rất collinear cục bộ. GWR coefficients có thể dao động cực đoan. Cần local condition numbers/VIF, ridge variants hoặc bỏ biến trùng.
8. Edge effects
Locations gần biên có neighbors một phía nên estimates kém ổn định. Adaptive kernels giảm nhưng không loại. Bản đồ uncertainty cần đi cùng coefficient map.
9. Multiple testing
Hàng nghìn local coefficients tạo hàng nghìn hypothesis tests. Không nên tô màu p<0,05 mỗi điểm như bằng chứng chắc chắn. Có correction hoặc tập trung effect magnitude/pattern.
10. Spatial nonstationarity vs omitted variables
Coefficient thay đổi có thể vì thật sự nonstationary hoặc vì model bỏ variable có spatial pattern. GWR không tự chứng minh process thay đổi theo space.
Nên so global model, residuals, theoretical mechanisms.
11. GWR không phải spatial lag model
GWR xử lý parameter heterogeneity; SAR/SEM xử lý dependence/spillover. Một dataset có thể có cả hai. GWR residual Moran’s I vẫn cần kiểm.
12. Coordinates và distance
Dùng projected CRS phù hợp nếu kernel theo Euclidean distance. Lat/lon degrees không phải km. Với city-wide network processes, network distance có thể hợp lý hơn nhưng GWR chuẩn thường dùng geographic distance.
13. Cấu trúc dữ liệu
| id | y | x_area | x_metro | x_age | x_legal | x_coord | y_coord |
|---|---|---|---|---|---|---|---|
| S01 | log_price | ... | ... | ... | ... | ... | ... |
14. Case: metro premium
Global βmetro=5%. GWR cho 0–12% theo khu; MGWR bandwidth metro 120 neighbors, area 900 neighbors. Điều này gợi metro effect local, area effect gần-global.
Để nói metro gây premium vẫn cần causal design.
15. Model comparison
So AICc, CV error, residual Moran, effective number of parameters và stability. GWR fit in-sample cao là đương nhiên hơn vì linh hoạt; cần out-of-sample/spatial CV.
16. Spatial cross-validation
Random CV rò rỉ thông tin vì train/test gần nhau. Dùng spatial block CV để đánh giá prediction generalization sang vùng mới.
17. MGWR computational cost
Backfitting nhiều bandwidths nặng với N lớn. Cần cân bằng sample, feature count và hardware. Không dùng MGWR chỉ để tạo bản đồ hấp dẫn.
18. Sai lầm
- GWR = spatial autocorrelation fix.
- Map p-values không correction.
- Không local collinearity.
- Lat/lon distance sai.
- Bandwidth tùy ý.
- Coefficient heterogeneity = causal heterogeneity.
- Random CV.
19. Bài tập thực hành
Dùng 10.000 giao dịch, fit global Hedonic, GWR và MGWR. So bandwidth các biến, local collinearity, spatial block CV và residual Moran. Chọn hai variables có scale khác nhau và giải thích.
20. Monte Carlo test cho spatial variability
Có thể kiểm liệu local coefficient variability lớn hơn kỳ vọng dưới spatial stationarity bằng randomization/Monte Carlo. Đây là cách tốt hơn chỉ nhìn bản đồ coefficients khác màu.
21. Effective number of parameters
GWR/MGWR có độ linh hoạt lớn; số tham số hiệu dụng cao làm overfit. AICc đã điều chỉnh phần nào complexity. Khi bandwidth quá nhỏ, ENP tăng và local estimates dễ noise.
22. Prediction ở địa điểm mới
Để dự báo property mới, cần ước local coefficients tại tọa độ mới từ training neighbors. Nếu site nằm ngoài support hoặc ở vùng sparse, uncertainty cao. Extrapolation không gian cần cảnh báo.
23. Khi global model nên được giữ
Nếu MGWR bandwidth của hầu hết biến gần toàn mẫu, local coefficients không cải thiện spatial CV và residual Moran đã thấp, global model đơn giản có thể tốt hơn. Local modeling không phải mục tiêu tự thân; chỉ dùng khi spatial nonstationarity có bằng chứng và tạo insight.
Ghi nhớ trong 30 giây
- GWR cho coefficients thay đổi theo vị trí.
- MGWR cho mỗi biến một spatial scale riêng.
- Bandwidth là tham số cốt lõi.
- Local collinearity và multiple testing phải kiểm.
- GWR xử lý heterogeneity, không thay SAR/SEM hay causal design.
Nguồn tham khảo
- Fotheringham, Brunsdon & Charlton – Geographically Weighted Regression.
- Oshan và cộng sự – MGWR và phần mềm mgwr/PySAL.
Bài tiếp theo: Spatial Panel Model: kết hợp không gian và thời gian