spatstat 中的一维数据答案

【问题标题】：One-dimensional data in spatstatspatstat 中的一维数据
【发布时间】：2017-09-26 18:31:41
【问题描述】：

我有一维点的数据（直线上的位置）。我想检查集群泊松过程模型或 Cox 模型是否适合数据。

由于我的数据只有 x 坐标，我尝试了线性网络泊松过程模型。但是，lppm 仅支持泊松模型。

具有集群模型的kppm 方法需要二维数据。所以，我添加了一个带有zero 值和(ymin=0,ymax=0.001) 范围的虚拟y 列。 ymax=0 在计算期间返回错误。现在，我可以安装 Matern 集群等了。

我的问题是处理一维数据的最佳方式是什么？

添加一个非零范围的虚拟列是唯一的解决方案吗？或者是否有一些关于我错过的点模式或过程模型的细节？也欢迎提出替代建议。

【问题讨论】：

我不知道你为什么要在这里使用 Cox 建模，因为它是一个成比例的生存（或危险模型），而泊松处理是一个聚类模型......直线变得有点朦胧。模型是否合适与您打算对数据提出的要求有很大关系……您的问题是什么？非常清楚您需要如何处理数据以及原因，这将使您朝着正确的方向走得更远。
我们数据中的点往往出现在集群中。它还满足泊松点过程的一些条件，例如不相交分区的独立性等。因此我们正在考虑使用聚类泊松过程对数据进行建模，其中聚类中心具有泊松分布，并且每个聚类具有有限数量的点。我认为 Cox 流程更为通用，包括集群流程。如果我们能够找到一个非常适合我们的数据的模型，那么我们计划将其用于进一步计算使用这些点构建的更高级别的结构。
我认为 stats.stack 上的这篇文章可以满足您的需求。对于线性数据点，更多的是估计数据间隔之间的标点距离。看看这是否能让你朝着正确的方向前进：stats.stackexchange.com/questions/40454/…
为了更深入地了解我们的一个数据集 - 它在长度为 50M 的观察窗口中有大约 100K 点。
这一切都取决于数据的分辨率，测量的精确度和准确度。分析是盲目的，因此您可以将幅度更改为更大的整数以进行聚类，然后在需要时将其缩小……但我确实认为某种区间测量或核密度估计会更合理.实现您想要的结果的最简单途径......

标签： r statistics spatstat

【解决方案1】：

首先我要指出的是，其他评论员将 Cox 点过程 与 Cox 比例风险模型 混淆了——两个完全不同的东西，由同一个人发明。

对于这种情况下的数据，Cox 点过程是一个完全有效的模型。

spatstat 软件包尚不支持线性网络（如街道网络）上数据的 Cox 点过程模型。但是，您可以使用最小对比度拟合程序来拟合此类模型。首先根据您的数据计算估计的一维对相关函数或 K 函数（使用 linearK 或 linearpcf）。然后使用mincontrast 来拟合所需的模型。您必须编写一小段代码来计算所需模型的 K 函数或 pcf 的理论值。见help(mincontrast)。

【讨论】：

谢谢，将查看您提到的功能并更新结果。