İkili değerlerle noktaların uzamsal otokorelasyonunu ölçmek için uygun bir istatistik nedir?

9

Bir nokta veri kümesinde mekansal otokorelasyon düzeyini belirlemeye çalışıyorum. İlgilendiğim özellik, Moran'ın I uygun olmadığı ikili (bir türün varlığı / yokluğu). Öte yandan, tipik olarak ikili veya kategorik veriler için önerilen Ortak Sayım istatistikleri, görünüşte nokta verileri için uygun değildir. Kısacası, soru şudur: ilgi niteliği ikili olduğunda küresel ve / veya yerel uzamsal otokorelasyonu ölçmek için uygun bir istatistik nedir?

spatial-statistics 
— user13706
kaynak

Yanıtlar:

4

Birleştirme-Sayım istatistiğinin ikili veriler için uygun olmadığı iddianız doğru değil. Bu sadece uzamsal ağırlık matrisinin (Wij) nasıl belirtildiği meselesidir. Bir Morna-I'de olduğu gibi, bu tür analizde bir mesafe matrisi kullanamazsınız, Bununla birlikte, bir mesafe kesimi kullanılarak uygun bir ikili beklenmedik durum matrisi hesaplanabilir. Bu tür uzamsal ağırlık matrisi oluşturabilir ve R spdep kütüphanesinde Join-Count analizi yapabilirsiniz. "Joincount.test" ve joincount.mc (Monte Carlo permütasyon testi için) fonksiyonlarına bakın.

— Jeffrey Evans
kaynak
Teşekkürler Jeffrey. Eklem sayımları açıkça ikili veriler için gitmenin yoludur, ancak eklem sayımlarının yalnızca alan (nokta değil) verileri için uygun olduğuna dair bir öneri gördüm (şimdi nerede hatırlayamıyorum). Neden bir mesafe eşiği kullanarak ağırlık matrisi oluşturamadınız ve ortak bir sayı kullanamadığım açık değildi, ancak bazı örneksel aramalarda bunun örneklerini bulamadım. Bu tür kullanım için sağlayabileceğiniz bir referans var mı?
— user13706
Bu Nokta Desen Analizi üzerine geniş bir literatürdür. Join-Counts istatistiği yaygın olarak kullanılmaz ve bu nedenle mevcut literatürde çok yaygın değildir. Diggle veya Geits'in erken işlerine geri dönecektim. Binom verilerindeki uzamsal bağımlılığı ölçmedeki hedefiniz nedir? Birleştirme-Sayım katsayısını karışık efektler veya CAR / SAR modeli gibi bir şeyde kullanamazsınız. Doluluk düzeninin ölçeklendirilmesiyle ilgili bazı ilginç bilgiler ( en.wikipedia.org/wiki/Scaling_pattern_of_occupancy )
— Jeffrey Evans
1
RandomForest parametrik olmayan bir modeldir ve bu nedenle otokorelasyondan etkilenmez. Bu modelle ilgili endişe bootstrap topluluğu içindeki korelasyon. Çoğu zaman otokorelasyon, verilerinizde Bootstrap'de önyargı oluşturan "artıklık" oluşturabilir. Değişkenlerinizin koşullu dağılımına göre bakarım. Burada "R - Gruplama Faktörüne Göre Olasılık Yoğunluğu" R kodum var: conserveonline.org/workspaces/emt/documents/all.html
— Jeffrey Evans
1
Oh, RF'nin tamamen kara kutu olduğunu genelleştirmezdim. Aslında durum böyle değil. Bu model genellikle "gri kutu" olarak adlandırılır. Otokorelasyon birincil sıklığı yöntemlerde IID varsayımlarını etkilediğinden, parametrik olmayan varsayımların ihlal edilmediği oldukça güvenli bir iddiadır.
— Jeffrey Evans
1
"Parametrik olmayan" istatistikleri genelleştiriyoruz. Bu birçok yöntemi kapsar. Brieman'ın 2001 kanıtlarına tekrar bakarsanız RF'nin bağımsızlık kazanmadığını göreceksiniz. Hastie'nin "İstatistiksel Öğrenmenin Unsurları" kitabı, makine öğrenimi yöntemleri ile ilgili örnek teoriye sağlam bir istatistiksel altyapı sağlar. Daha önce belirtildiği gibi, endişe toplulukta psödo-çoğaltma / otokorelasyondan kaynaklanabilecek korelasyondur. Ancak, bu RF'de bir model varsayımı değildir. Bununla birlikte, yeterince ciddiyse, önyargı veya fazla kıyafetin net etkisi açıktır.
— Jeffrey Evans
0

İkili veriler, uzamsal otokorelasyon için normal bir kullanım durumudur. Sanırım uzamsal analiz kitabının çoğu bunun hakkında konuşacak. Bu belge yardımcı olabilir.

— mfdev
kaynak
1
Referansınızın ilk sayfası, "veri konumlarının bölgeler olduğunu" vurgular. Bu nedenle, nokta verileri için hiç geçerli değildir.
— whuber
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.