二项式数据的回归克里金法答案

【问题标题】：Regression kriging of binomial data二项式数据的回归克里金法
【发布时间】：2013-09-05 19:08:17
【问题描述】：

我使用 gstat 预测二项式数据，但预测值高于 1 和低于 0。有谁知道我该如何处理这个问题？谢谢。

data(meuse)
data(meuse.grid)
coordinates(meuse) <- ~x+y
coordinates(meuse.grid) <- ~x+y
gridded(meuse.grid) <- TRUE

#glm model
glm.lime <- glm(lime~dist+ffreq, meuse, family=binomial(link="logit"))
summary(glm.lime)

#variogram of residuals
var <- variogram(lime~dist+ffreq, data=meuse)
fit.var <- fit.variogram(var, vgm(nugget=0.9, "Sph", range=sqrt(diff(meuse@bbox\[1,\])^2 + diff(meuse@bbox\[2,\])^2)/4, psill=var(glm.lime$residuals)))   
plot(var, fit.var, plot.nu=T)

#universal kriging
kri <- krige(lime~dist+ffreq, meuse, meuse.grid, fit.var)
spplot(kri[1])

【问题讨论】：

标签： r gstat kriging

【解决方案1】：

一般来说，使用这种回归克里金法，不能保证模型在计算趋势和残差时有效。关于您的代码的一些注释。请注意，您使用variogram 来计算残差变异函数，但variogram 使用正态线性模型来计算趋势，从而也计算残差。您需要根据glm 确定残差，然后基于此计算残差变异函数。

您可以手动执行此操作，或查看GSIF 包中的fit.gstatModel 函数。您还可以查看binom.krige 包中的geoRglm。 R-sig-geo 上的This thread 可能也很有趣：

从 GLM 中提取残基与使用指标有很大不同变量。甚至可能存在一些差异，具体取决于哪个您采用的 GLM 残差。运行 GLM 并探索残差例如通过变异函数，我认为这是一种常规做法，但是它不会告诉你整个故事。安装 GLGM （广义线性地统计模型）可能更具决定性，因为您可以对模型参数进行推断并访问相关性空间术语更客观。这是最初的动机对于 geoRglm 一次完成所有建模，而不是分两步进行作为拟合没有相关性的模型，然后对残差建模。这带来了校准 MCMC 算法的额外负担。后来 spBayes 来到现场，确实看起来很有希望提出一个更通用的框架，而 geoRglm 相当具体单变量二项式和毒物模型。

正如罗杰所说，还有其他选择的余地像 GLMM 或者可能是 MCMCpack，但这肯定还没有准备好 “开箱即用”和代码将需要适应空间目的。

【讨论】：