The majority of RTM studies to‐date

The majority of RTM studies to‐date have tested risk terrain models through logistic regression with shooting
incidents as the dependent variable (Caplan et al., 2011; Kennedy et al., 2011). In logistic regression, the
dependent variable is dichotomized to represent either the presence (“1”) or absence (“0”) of a particular feature.
In the case of shootings, logistic regression tests the influence of the independent variable(s) (e.g. “risk values”) on
the presence or absence of any shooting incidents. Given the infrequent occurrence of shootings (compared to
other crime types), and the fact that most spatial units are unlikely to have more than 1 incident, logistic
regression is an appropriate statistical test in such cases. However, for more frequently‐occurring crime types,
logistic regression may undercount the total number of crimes since multiple incidents are collapsed into a single
unit to fulfill the requirements of logistic regression. Such undercounting of incidents may depreciate the validity
of the model, particularly by underestimating the predictive capacity of risk terrain models. This brief discusses the
use of count regression models, namely Poisson and negative binomial regression, as a method of overcoming the
limitations of logistic regression in RTM studies focusing on more frequently‐occurring crime types.  

ผลลัพธ์ (ไทย) 1:

ส่วนใหญ่ของ RTM ศึกษา to‐date ได้ทดสอบแบบจำลองภูมิประเทศความเสี่ยงผ่านการถดถอยโลจิสติกด้วยการยิงปัญหาเป็นตัวแปรขึ้นอยู่กับ (Caplan et al., 2011 เคนเนดี้ et al., 2011) ในการถดถอยโลจิสติก การขึ้นอยู่กับตัวแปรเป็น dichotomized เพื่อแสดงสถานะการออนไลน์ ("1") หรือการขาดงาน ("0") ของคุณลักษณะเฉพาะในกรณีที่ยิง การถดถอยโลจิสติกทดสอบอิทธิพลของ independent variable(s) (เช่น "ความเสี่ยงค่า") บนหรือเหตุการณ์ใด ๆ ยิง ให้เกิดไม่ยิง (เมื่อเทียบกับอาชญากรรมชนิดอื่น ๆ), และความจริงสุดพื้นที่หน่วยน่าจะมีมากกว่า 1 เหตุการณ์ โลจิสติกถดถอยเป็นการทดสอบสถิติที่เหมาะสมในกรณีดังกล่าว อย่างไรก็ตาม สำหรับเพิ่มเติม frequently‐occurring อาชญากรรมชนิดถดถอยโลจิสติกอาจ undercount จำนวนอาชญากรรมเนื่องจากหลายเหตุการณ์ถูกยุบเป็นหนึ่งเดียวหน่วยเพื่อตอบสนองความต้องการของการถดถอยโลจิสติก เช่น undercounting ของปัญหาอาจคิดค่าเสื่อมราคาถูกรุ่น โดยเฉพาะอย่างยิ่งเรากำลังการผลิตคาดการณ์ของแบบจำลองภูมิประเทศความเสี่ยง บทสรุปนี้กล่าวถึงการใช้ถดถอยนับโมเดล ปัวและลบทวินามถดถอย เป็นวิธีการขจัดหมดสิ้นได้แก่การข้อจำกัดของการถดถอยโลจิสติกใน RTM ศึกษาเน้นประเภทอาชญากรรม frequently‐occurring เพิ่มเติม

ผลลัพธ์ (ไทย) 2:

ส่วนใหญ่ของการศึกษา RTM-วันที่จะมีการทดสอบแบบจำลองภูมิประเทศที่มีความเสี่ยงผ่านการถดถอยโลจิสติกที่มีการถ่ายภาพ
เหตุการณ์ที่เกิดขึ้นเป็นตัวแปรตาม (Caplan, et al, 2011;.. เคนเนดี, et al, 2011) ในการถดถอยโลจิสติก
ตัวแปรตามเป็น dichotomized ที่จะเป็นตัวแทนทั้งการปรากฏตัว ("1") หรือไม่มี ("0") ของคุณลักษณะเฉพาะ.
ในกรณีที่มีการยิงการถดถอยโลจิสติกการทดสอบอิทธิพลของตัวแปรอิสระ (s) ( เช่น "ค่าความเสี่ยง") บน
มีหรือไม่มีเหตุการณ์ใด ๆ ในการถ่ายภาพ ป.ร. ให้เกิดขึ้นไม่บ่อยนักยิง (เมื่อเทียบกับ
ประเภทอาชญากรรมอื่น ๆ ) และความจริงที่ว่าหน่วยงานอวกาศมากที่สุดไม่น่าจะมีมากกว่า 1 เหตุการณ์ที่เกิดขึ้น, โลจิสติก
การถดถอยคือการทดสอบสถิติที่เหมาะสมในกรณีดังกล่าว แต่สำหรับบ่อยเกิดขึ้นประเภทอาชญากรรม
ถดถอยโลจิสติอาจ undercount จำนวนรวมของอาชญากรรมตั้งแต่เหตุการณ์หลายทรุดตัวลงเป็นหนึ่ง
หน่วยเพื่อตอบสนองความต้องการของการถดถอยโลจิสติก undercounting ดังกล่าวของเหตุการณ์ที่เกิดขึ้นอาจจะอ่อนค่าความถูกต้อง
ของรูปแบบโดยเฉพาะอย่างยิ่งการประเมินขีดความสามารถในการคาดการณ์ของแบบจำลองภูมิประเทศที่มีความเสี่ยง สั้น ๆ นี้จะกล่าวถึง
การใช้แบบจำลองการถดถอยนับคือ Poisson และการถดถอยทวินามลบเป็นวิธีการเอาชนะ
ข้อ จำกัด ของการถดถอยโลจิสติกในการศึกษา RTM มุ่งเน้นไปที่อื่น ๆ อีกมากมายที่เกิดขึ้นบ่อยประเภทอาชญากรรม  

ผลลัพธ์ (ไทย) 3:

ส่วนใหญ่ของ RTM การศึกษาเพื่อ‐วันที่มีการทดสอบแบบจำลองภูมิประเทศเสี่ยงผ่านถดถอยโลจิสติกกับการยิง
เหตุการณ์เป็นตัวแปรตาม ( แคปแลน et al . , 2011 ; Kennedy et al . , 2011 ) ในการถดถอยโลจิสติก ,
ตัวแปร dichotomized แสดงให้ปรากฏ ( " 1 " ) หรือขาด ( " 0 " ) คุณลักษณะเฉพาะ .
ในคดียิงปืน