Sulit dikatakan tanpa melihat data Anda dan mengerjakan beberapa analisis eksplorasi. Beberapa rincian lebih lanjut tentang hipotesis, desain sampel, dan data aktual yang dikumpulkan, akan disambut. Ketika mengajukan pertanyaan metodologi statistik, penting bagi Anda untuk menyatakan hipotesis yang sedang Anda uji. Ini dapat menentukan metodologi statistik dan tanpa sepengetahuan kami, kami menembak dalam kegelapan.
Sama sekali tidak jelas apa masalah dengan statistik yang ditentukan sehubungan dengan "tidak memberikan apa yang saya inginkan". Saya tidak tahu apa yang Anda harapkan dengan statistik autokorelasi univariat yang menunjukkan korelasi spasial bivariat. Keluarga statistik SCAN sangat bervariasi dengan banyak distribusi yang tersedia. Distribusi (model) apa yang Anda tetapkan dalam SaTScan dan apakah Anda benar-benar memiliki hipotesis, dan data, cocok untuk analisis pola titik? Secara umum, sampel yang grided, sistematis, tidak sesuai untuk analisis pola titik.
Korelasi akan sangat membatasi dari sudut pandang inferensial dan akan terlihat bahwa mode tipe regresi berlaku di sini. Pada blush on pertama saya akan berpikir model efek campuran dengan istilah AR-I untuk waktu dan istilah autokorelasi untuk efek acak spasial akan sesuai dengan kebutuhan Anda. Ini akan memungkinkan Anda untuk mempartisi variasi berdasarkan waktu dan menormalkan setiap pengaruh autokorelasi pada kesalahan residual dan asumsi awal. Opsi lain, jika data mendukungnya, akan menjadi model proses titik Poisson dalam kerangka MCMC. Jika ditentukan sebagai model hierarkis, Anda dapat mendefinisikan waktu sebagai sebelumnya. Dengan pendekatan regresi kernel Anda dapat menguji beberapa hipotesis dari proses difusi spasial atau menentukan istilah difusi kuadratik. Jenis model ini biasanya digunakan dalam epidemiologi spasial untuk mendapatkan tingkat penyebaran.
Sangat mudah untuk tersesat dalam "melempar data Anda ke dinding" dengan pendekatan statistik spasial tetapi, kecuali jika desain sampel Anda dimaksudkan untuk menangkap proses spasial dan Anda memiliki pertanyaan yang dirumuskan dengan baik mengenai efek spasial, ini bisa menjadi latihan yang sia-sia.
Karena ketersediaan metodologi yang mudah, metode yang sering sering diabaikan. Ada model regresi yang tersedia yang dapat dengan mudah menangani data spasial (autoregresif spasial dan kondisional, regresi spasial, regresi polinomial, model efek campuran, regresi kanonik, regresi kernel, regresi semi dan non parametrik, ...) dan jika Anda bermaksud untuk kesimpulan ini harus dieksplorasi sehubungan dengan hipotesis Anda.