analisis spasial dan spasial


8

Saya memiliki dataset yang terdiri dari 247 perangkap nyamuk yang ditempatkan pada posisi tetap dan disampling setiap minggu selama 23 minggu. Saya juga memiliki data kejadian penyakit demam berdarah (diindeks ke alamat rumah) selama periode waktu yang sama. Saya ingin melihat apakah ada korelasi spasial dan spatiotemporal antara tingkat penangkapan nyamuk di setiap lokasi perangkap dan kejadian kasus demam berdarah. Saya sudah mencoba Global Moran's I dan Local Moran's I di R dan SaTScan Multivariate permutasi ruang-waktu. Sepertinya tidak ada yang memberi saya apa yang saya inginkan. Apakah saya melihat tempat yang tepat dan hanya melakukan kesalahan atau adakah analisis yang lebih baik yang dapat saya jalankan?

Terima kasih banyak atas sarannya !! Terbaik, Amy Green


"Sepertinya tidak ada yang memberi saya apa yang saya inginkan." Dan apa sebenarnya yang ingin Anda capai?
radek

1
Regresi Tertimbang secara Geografis bisa menjadi cara untuk maju. Anda bisa menjalankan lari per periode temporal dan membandingkan residunya. Secara logis inputnya adalah volume serangga yang terperangkap sebagai prediktor penyakit sebagai titik awal .... walaupun, tergantung pada distribusi perangkap, Anda mungkin ingin mempertimbangkan pengaturan lingkungan juga
Andrew Tice

1
@Andrew Tice Tidak berniat untuk menjadi snarky tetapi, karena penasaran, mengapa Anda melompat ke GWR tanpa indikasi nonstasioneritas, atau bahkan autokorelasi, dalam data? Ini adalah pendekatan yang agak meragukan yang hanya sesuai dalam situasi yang sangat spesifik dan seharusnya hanya digunakan dalam konteks eksplorasi atau eksperimental.
Jeffrey Evans

@ JeffreyEvans ... poin bagus ... dan dengan manfaat dua tahun ke belakang saya tidak akan!
Andrew Tice

Jawaban:


2

Saya kira Anda mencoba memperkirakan efektivitas perangkap dalam mengurangi insiden kontraksi dengue. Anda mungkin ingin melihat pada tes interaksi ruang-waktu.

PySAL memiliki sejumlah implementasi dalam modul spatial_dynamics.


1

Apakah data nyamuk, dihitung? atau jenis variabel apa yang Anda ingat pada perangkap ini? Saya telah melihat sebuah studi di mana mereka menggunakan MaxEnt untuk memprediksi leishmania di Meksiko selama 20 tahun ke depan dengan hanya menggunakan keberadaan lokasi penyakit sebagai data. Saya tidak berpikir itu sangat dapat dipercaya tetapi ini adalah titik awal dan ada banyak perkembangan. Apa yang Anda "cari" semacam kriging akan memungkinkan Anda untuk memahami variabilitas spasial variabel Anda. Anda bahkan dapat menjalankan beberapa simulasi jika Anda mendapatkan model yang cocok. Saya cukup yakin ada teknik kriging yang bekerja dalam konteks waktu-spasial tetapi saya belum pernah menggunakannya. Pencarian google cepat harus membuang beberapa referensi. 23 minggu tidak banyak poin data untuk analisis deret waktu tetapi Anda bisa mencobanya, paket R bfast memungkinkan Anda untuk mendeteksi kerusakan mendadak dalam perilaku deret waktu, mungkin Anda dapat mendeteksi anomali ini dan mengaitkannya dengan demam berdarah. Saya pikir Anda perlu menghasilkan deskripsi yang lebih baik tentang masalah Anda dan hasil studi yang diinginkan.


1

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.

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.