द्विआधारी मूल्यों के साथ अंकों के स्थानिक स्वसंबंध को मापने के लिए एक उपयुक्त आंकड़ा क्या है?


9

मैं एक बिंदु डेटासेट में स्थानिक स्वायत्तता के स्तर को निर्धारित करने का प्रयास कर रहा हूं। जिस विशेषता में मेरी दिलचस्पी है, वह द्विआधारी है (एक प्रजाति की उपस्थिति / अनुपस्थिति), जिसके लिए मोरन का I उचित नहीं है। दूसरी ओर, संयुक्त गणना आंकड़े, जो आमतौर पर द्विआधारी या श्रेणीबद्ध डेटा के लिए अनुशंसित होते हैं, जाहिरा तौर पर बिंदु डेटा के लिए उपयुक्त नहीं होते हैं। संक्षेप में, सवाल इस प्रकार है: ब्याज की विशेषता द्विआधारी होने पर बिंदुओं के वैश्विक और / या स्थानीय स्थानिक निरूपण को मापने के लिए एक उपयुक्त आंकड़ा क्या है?

जवाबों:


4

आपका दावा है कि बाइनरी डेटा के लिए एक जॉइन-काउंट सांख्यिकीय उचित नहीं है। यह सिर्फ एक बात है कि कैसे स्थानिक भार मैट्रिक्स (Wij) निर्दिष्ट किया गया है। मोर्ना-आई के रूप में, आप इस प्रकार के विश्लेषण में एक दूरी मैट्रिक्स का उपयोग नहीं कर सकते हैं, हालांकि, दूरी की कटऑफ का उपयोग करके आकस्मिकता के एक उपयुक्त द्विआधारी मैट्रिक्स की गणना की जा सकती है। आप इस प्रकार के स्थानिक भार मैट्रिक्स बना सकते हैं और साथ ही आर स्पीडी लाइब्रेरी में जॉइन-काउंट विश्लेषण कर सकते हैं। "Joincount.test" और joincount.mc (मोंटे कार्लो के क्रमपरिवर्तन परीक्षण के लिए) फ़ंक्शन देखें।


धन्यवाद, जेफरी। संयुक्त गणना स्पष्ट रूप से द्विआधारी डेटा के लिए जाने का तरीका है, लेकिन मैंने एक सुझाव देखा (याद नहीं कर सकता कि, अब कहां है) कि संयुक्त गणना केवल क्षेत्र (बिंदु नहीं) डेटा के लिए उपयुक्त थी। यह मेरे लिए स्पष्ट नहीं था कि आप दूरी दहलीज का उपयोग करके वेट मैट्रिक्स क्यों नहीं बना सकते, और एक संयुक्त गिनती का उपयोग कर सकते हैं, लेकिन मैं कुछ सरसरी खोजों में इसके उदाहरण नहीं खोज सका। क्या कोई संदर्भ है जो आप इस प्रकार के उपयोग के लिए प्रदान कर सकते हैं?
user13706

यह प्वाइंट पैटर्न विश्लेषण पर साहित्य का एक बड़ा निकाय है। द ज्वाइन-काउंट्स स्टेटिस्टिक आमतौर पर उपयोग नहीं किया जाता है और, जैसे कि, वर्तमान साहित्य में बहुत प्रचलित नहीं है। मैं डिग्ले या गीट्स द्वारा जल्दी काम पर वापस जाऊंगा। द्विपद डेटा में स्थानिक निर्भरता को निर्धारित करने में आपका लक्ष्य क्या है? आप मिश्रित प्रभाव या CAR / SAR मॉडल जैसी किसी चीज़ में Join-Counts गुणांक का उपयोग नहीं कर सकते। यहाँ अधिभोग पैटर्न स्केलिंग पर कुछ दिलचस्प पृष्ठभूमि ( en.wikipedia.org/wiki/Scaling_pattern_of_occupancy )
जेफरी इवांस

1
रैंडमफॉरस्ट एक नॉनपैरेमेट्रिक मॉडल है और, जैसे कि ऑटोकरेलेशन से प्रभावित नहीं होता है। इस मॉडल के साथ चिंता बूटस्ट्रैप कलाकारों की टुकड़ी के भीतर सहसंबंध है। अक्सर autocorrelation आपके डेटा में "अतिरेक" पैदा कर सकता है जो बूटस्ट्रैप में पूर्वाग्रह पैदा करता है। मैं आपके कोवरिएट्स के सशर्त वितरण (ओं) के आधार पर देखूंगा। : - "समूहीकरण फैक्टर द्वारा प्लॉट प्रायिकता घनत्व आर" यहाँ मैं आर कोड उपलब्ध conserveonline.org/workspaces/emt/documents/all.html
जेफरी इवांस

1
ओह, मैं पूरी तरह से ब्लैक बॉक्स होने के नाते आरएफ को सामान्य नहीं करूंगा। यह वास्तव में मामला नहीं है। इस मॉडल को अक्सर "ग्रे बॉक्स" कहा जाता है। चूंकि निरंकुश प्राथमिक तरीकों में स्वत :संबंधी आईआईडी मान्यताओं को प्रभावित करता है, इसलिए यह एक काफी सुरक्षित दावा है कि गैरपरंपरागत मान्यताओं का उल्लंघन नहीं किया जाता है।
जेफरी इवांस

1
हम "nonparametric" आँकड़ों को सामान्य कर रहे हैं। यह कई विधियों को शामिल करता है। यदि आप बीरमैन के 2001 के सबूतों को देखें तो आप देखेंगे कि आरएफ स्वतंत्रता को ग्रहण नहीं करता है। हस्ती की पुस्तक "एलिमेंट ऑफ स्टैटिस्टिकल लर्निंग" मशीन लर्निंग के तरीकों के संबंध में नमूना सिद्धांत के लिए एक ठोस सांख्यिकीय पृष्ठभूमि प्रदान करती है। जैसा कि पहले कहा गया है, चिंता पहनावा में सहसंबंध है जो निश्चित रूप से छद्म मूल्यांकन / निरंकुशता के कारण हो सकता है। हालांकि, यह आरएफ में एक मॉडल धारणा नहीं है। हालांकि, अगर पर्याप्त रूप से गंभीर है, तो पूर्वाग्रह या अतिप्रभाव का शुद्ध प्रभाव स्पष्ट रूप से एक ही है।
जेफरी इवांस

0

द्विआधारी डेटा स्थानिक स्वायत्तता के लिए एक सामान्य उपयोग मामला है। मुझे लगता है कि अधिकांश स्थानिक विश्लेषण पुस्तक इसके बारे में बात करेगी। यह दस्तावेज़ मदद का हो सकता है।


1
आपके संदर्भ का पहला पृष्ठ जोर देता है कि "डेटा स्थान क्षेत्र हैं ," इसलिए ऐसा लगता है कि यह बिंदु डेटा पर बिल्कुल भी लागू नहीं होता है।
whuber

-1

आपके डेटा का विश्लेषण "पॉइंट पैटर्न एनालिसिस" तकनीकों का उपयोग करके किया जा सकता है। विशेष रूप से "रिप्ले के" आप के लिए सबसे अच्छा होगा।

एक अच्छा अवलोकन यहाँ है: http://www.people.vcu.edu/~dbandyop/pubh8472/RipleysK.pdf

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.