phân tích không gian và không gian


8

Tôi có một bộ dữ liệu bao gồm 247 bẫy muỗi được đặt ở các vị trí cố định và được lấy mẫu hàng tuần trong 23 tuần. Tôi cũng có dữ liệu về tỷ lệ mắc bệnh sốt xuất huyết (được lập chỉ mục theo địa chỉ nhà) trong cùng khoảng thời gian. Tôi muốn xem liệu có mối tương quan về không gian và không gian giữa tỷ lệ bắt muỗi ở mỗi vị trí bẫy và tỷ lệ mắc sốt xuất huyết hay không. Tôi đã thử I của Moran toàn cầu và I của Moran địa phương trong phép hoán vị không gian đa thời gian R và SaTScan. Không ai trong số này dường như cho tôi những gì tôi muốn. Tôi đang nhìn đúng chỗ và chỉ làm sai hay có những phân tích tốt hơn tôi có thể chạy?

Cảm ơn bạn rất nhiều vì lời khuyên !! Tốt nhất, Amy Green


"Không ai trong số này dường như cho tôi những gì tôi muốn." Và chính xác những gì bạn muốn đạt được?
radek

1
Hồi quy theo trọng số địa lý có thể là con đường để đi. Bạn có thể chạy chạy theo thời gian tạm thời và so sánh phần dư. Về mặt logic, đầu vào sẽ là khối lượng côn trùng bị mắc kẹt như một yếu tố dự báo bệnh là điểm khởi đầu .... mặc dù, tùy thuộc vào sự phân bố của bẫy, bạn cũng có thể muốn xem xét các thiết lập môi trường
Andrew Tice

1
@Andrew Tice Không có ý định lén lút nhưng, vì tò mò, tại sao bạn lại nhảy sang một GWR mà không có dấu hiệu của sự không ổn định, hoặc thậm chí tự động, trong dữ liệu? Đây là một cách tiếp cận hơi mơ hồ, chỉ thích hợp trong các tình huống rất cụ thể và chỉ nên thực sự được sử dụng trong bối cảnh thăm dò hoặc thử nghiệm.
Jeffrey Evans

@JeffreyEvans ... điểm tốt ... và với lợi ích của hai năm sau, tôi sẽ không!
Andrew Tice

Câu trả lời:


2

Tôi đoán bạn đang cố gắng ước tính hiệu quả của bẫy trong việc giảm tỷ lệ mắc sốt xuất huyết. Bạn có thể muốn xem xét các thử nghiệm tương tác không-thời gian.

PySAL có một số triển khai trong mô-đun spatial_dynamics của nó.


1

Là dữ liệu muỗi, đếm? hoặc loại biến nào bạn đang hồi tưởng tại các bẫy này? Tôi đã thấy một nghiên cứu trong đó họ sử dụng MaxEnt để dự đoán leishmania ở Mexico trong 20 năm tới hoặc chỉ sử dụng sự hiện diện của các vị trí bệnh làm dữ liệu. Tôi không nghĩ nó rất đáng tin cậy nhưng đó là điểm khởi đầu và đã có nhiều phát triển. Những gì bạn đang "tìm kiếm" một số loại giết người sẽ cho phép bạn hiểu được sự biến đổi không gian của các biến của bạn. Bạn thậm chí có thể chạy một số mô phỏng nếu bạn có được các mô hình phù hợp tốt. Tôi khá chắc chắn rằng có những kỹ thuật giết người hoạt động trong bối cảnh không gian thời gian nhưng tôi chưa bao giờ sử dụng chúng. Một tìm kiếm google nhanh nên ném một số tài liệu tham khảo. 23 tuần không có nhiều điểm dữ liệu để phân tích chuỗi thời gian nhưng bạn có thể dùng thử, gói R bfast cho phép bạn phát hiện các đột phá đột ngột trong hành vi của một chuỗi thời gian, có thể bạn có thể phát hiện những bất thường này và liên kết chúng với các đợt bùng phát sốt xuất huyết. Tôi nghĩ bạn cần đưa ra một mô tả tốt hơn về vấn đề của bạn và kết quả học tập mong muốn.


1

Khó có thể nói mà không nhìn thấy dữ liệu của bạn và làm việc thông qua một số phân tích thăm dò. Một số chi tiết khác về giả thuyết, thiết kế mẫu và dữ liệu thực tế được thu thập, sẽ được hoan nghênh. Khi đặt câu hỏi về phương pháp thống kê, điều quan trọng là bạn phải nêu ra giả thuyết mà bạn đang kiểm tra. Điều này có thể ra lệnh phương pháp thống kê và không cần biết, chúng tôi đang chụp trong bóng tối.

Cũng không rõ vấn đề với số liệu thống kê được chỉ định liên quan đến việc "không cung cấp cho tôi những gì tôi muốn". Tôi không biết những gì bạn mong đợi với một thống kê tự tương quan đơn biến cho thấy mối tương quan không gian bivariate. Họ thống kê SCAN khá thay đổi với nhiều phân phối được xác định có sẵn. Phân phối (mô hình) nào bạn đã xác định trong SaTScan và bạn có thực sự có một giả thuyết và dữ liệu, phù hợp cho phân tích mô hình điểm không? Nói chung, một mẫu có lưới, có hệ thống, không phù hợp để phân tích mẫu điểm.

Một mối tương quan sẽ rất hạn chế từ quan điểm suy luận và dường như chế độ hồi quy theo thứ tự ở đây. Lúc đầu, tôi sẽ nghĩ rằng một mô hình hiệu ứng hỗn hợp với thuật ngữ AR-I về thời gian và thuật ngữ tự tương quan cho các hiệu ứng ngẫu nhiên không gian sẽ phù hợp với nhu cầu của bạn. Điều này sẽ cho phép bạn phân vùng biến thể theo thời gian và bình thường hóa mọi ảnh hưởng tự động tương quan sẽ xảy ra đối với các lỗi giả định và các giả định iid. Một tùy chọn khác, nếu dữ liệu hỗ trợ nó, sẽ là mô hình quy trình điểm Poisson trong khung MCMC. Nếu được chỉ định làm mô hình phân cấp, bạn có thể xác định thời gian là trước. Với phương pháp hồi quy hạt nhân, bạn có thể kiểm tra nhiều giả thuyết về các quá trình khuếch tán không gian hoặc xác định một thuật ngữ khuếch tán bậc hai. Loại mô hình này thường được sử dụng trong dịch tễ học không gian để có được tốc độ lan truyền.

Rất dễ bị lạc trong việc "ném dữ liệu của bạn vào tường" bằng các phương pháp thống kê không gian, nhưng, trừ khi thiết kế mẫu của bạn có ý định nắm bắt quy trình không gian và bạn có một câu hỏi được đặt ra rõ ràng về hiệu ứng không gian, đây có thể là một bài tập vô ích.

Bởi vì sự sẵn có dễ dàng của các phương pháp thường xuyên, các phương pháp thường bị bỏ qua. Có các mô hình hồi quy có sẵn có thể dễ dàng xử lý dữ liệu không gian (tự động theo không gian và có điều kiện, hồi quy không gian, hồi quy đa thức, mô hình hiệu ứng hỗn hợp, hồi quy chính tắc, hồi quy hạt nhân, hồi quy bán và không tham số, ...) và nếu bạn đang có ý định suy luận những điều này nên được khám phá liên quan đến giả thuyết của bạn.

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.