Model przestrzenny
Powyższy model przestawia rozłożenie na czynniki pierwsze problemu bezpieczeństwa miasta Chicago jak i próbę wyznaczenia najbezpieczniejszych obszarów tego miasta bazując na dostępnych danych.
W związku z przeprowadzoną analizą najbezpieczniejsze dzielnice miasta zostały określone na podstawie następujących zmiennych:
- ilości i intensywności przestępstw;
- miejsc aresztowań;
- lokalizacji miejsc przestępczogennych - klubów, pubów oraz banków;
- lokalizacji posterunków policji.
Po odjęciu od terenu miasta Chicago buforów miejsc, w których miały miejsca przestępstwa, aresztowania, a także buforów lokalizacji klubów, pubów i banków otrzymaliśmy najbezpieczniejsze obszary w mieście Chicago.
Model ekonometryczny:
Nasz projekt rozszerzyłyśmy o model ekonometryczny, bazujący na danych uzyskanych ze strony https://stats.idre.ucla.edu/stat/stata/webbooks/reg/crime. Link jest odnośnikiem do Institute for Digital Research &Education Statistical Consulting, który udostępnia dane odnośnie przestępczości dla wszystkich stanów w USA. Do zbudowania modelu użyteczny był program Stata.
Wśród dostępnych zmiennych do analizowania były:
- crime – violent crime rate -wskaźnik brutalnych przestępstw;
- murder – murder rate – wskaźnik morderstw;
- pctmetro - pct metropolitan – procent obszarów metropolitalnych;
-pctwhite – pct white – procent osób z białą karnacją;
- pcths – pct hs graduates – procent osób, które ukończyły high school;
- poverty – pct poverty – procent ubóstwa;
- single – pct single parent -procent samotnych rodziców.
Aby zbudować model, zaczęłyśmy od analizy korelacji wybranych zmiennych za pomocą graph matrix.
Kolejnym krokiem było wrzucenie wszystkich dostępnych zmiennych do modelu. Większość zmiennych okazała się nie być istotna w rozważanym modelu. A zmienna zależna została wyjaśniona przez model w 89.5%.
W kolejnym kroku zawęziłyśmy model regresji do zmiennej crime, pctmetro, poverty oraz single. Zmienna ubóstwa okazała się nie być ważną zmienną zależną.
Między innymi zmiennymi pojawiły się następujące zależności:
Jeżeli powierzchnia metropolii wzrośnie o 1%, to liczba brutalnych przestępstw wzrośnie o 7,8%.
Jeżeli liczba rodziców wychowujących samotnie wzrośnie o 1%, to liczba brutalnych przestępstw wzrośnie o 132,4 %.
Zmienna crime została wyjaśniona przez zmienne objaśniające w 84%
Kolejne zbiór wykresów badał każdą dodaną zmienną, na tej postawie znalazłyśmy zmienną odstającą, którą można było wykluczyć, aby poprawić funkcjonowanie modelu.
Następnie wykonałyśmy wykres Kernel dla estymacji gęstości, aby oszacować funkcję gęstości prawdopodobieństw zmiennej losowej, który został porównany z wykresem normalności. Wykres okazał się dosyć gładki i podobny do wykresu normalności.
Zbudowany model jest próbą przedstawienia zależności pomiędzy zależnymi z dostępnych danych.