물리적 또는 기능적으로 연결된 두 지점에서 발생하는 이벤트(쌍대위치 이벤트)들 사이의 국지적인 공간적 연관성을 평가하는 것은 쉽지 않다. 그것은 대개 그러한 형태의 지리적 현상들이 가지고 있는 프로세스 자체의 복잡한 특성 때문이지만, 실제 공간 상에서 재현될 때 매우 복잡하게 얽혀 시각적 패턴을 인식하기 어렵기 때문이기도 하다. 이 논문은 국지적 스케일에서 공간적으로 자기상관된 쌍대위치 이벤트(또는 벡터)들을 확인하기 위한 대안적 방법을 다루고 있다. 제시된 통계적 알고리즘은 (벡터들의) 시작 포인트들의 클러스터링을 평가하기 위한 단변량 포인트 패턴 분석과 시작 포인트들에 상응하는 벡터들의 유사성 측정을 혼합하여 개발되었다. 사례 분석은 미국 오하이오주 프랭클린 카운티의 지역 주택시장에서 2004년에서 2006년 동안 이루어진 주택거래 데이터를 사용하여 이루어졌다. 분석 결과, 국지적으로 특성화될 수 있는, 특히 지역 커뮤니티와 연관된 다양한 이동들을 보여주는 주택거래들을 확인할 수 있었다.
It is often challenging to evaluate local spatial association among onedimensional vectors generally representing paired-location events where two points are physically or functionally connected. This is largely because of complex process of such geographic phenomena itself and partially representational complexity. This paper addresses an alternative way to identify spatially autocorrelated paired-location events (or vectors) at a local scale. In doing so, we propose a statistical algorithm combining univariate point pattern analysis for evaluating local clustering of origin-points and similarity measure of corresponding vectors. For practical use of the suggested method, we present an empirical application using transactions data in a local housing market, particularly recorded from 2004 to 2006 in Franklin County, Ohio in the United States. As a result, several locally characterized similar transactions are identified among a set of vectors showing various local moves associated with communities defined.
