1

再会，

我一直在通过Baddeley 等人工作。2015 年使用mppm {spatstat}将点过程模型拟合到多个点模式。我的点模式是保护区 ( owin ) 中大型食草动物的年度计数数据（即雄性/雌性动物的点位置 ( x, y ) * 5 年）。我有许多空间协变量，例如到河流的距离 (rivD) 和植被生产力 (NDVI)。

最初我拟合了一个模型，其中食草动物的反应是 rivD + NDVI 的函数，并允许系数因性别而异（参见下面可重复示例中的 mppm1）。然而，我的年度点模式在不同年份之间并不是独立的，因为存在随时间增加的趋势（即，与第 5 年相比，第 1 年的动物数量成倍增加）。所以我添加了年份作为随机效应，认为如果我允许截距每年改变，我可以解释这一点（见 mppm2）。

现在我想知道这是否是正确的方法？如果我正在拟合 GAMM gamm {mgcv}，我会添加一个时间相关结构，例如correlation = corAR1(form=~year)但不认为这在mppm（参见 mppm3）中是可能的？

我真的很感激任何关于如何在复制点模式中处理这种时间相关结构的想法mppm {spatstat}。

非常感谢

桑德拉

# R version 3.3.1 (64-bit)
library(spatstat) # spatstat version 1.45-2.008

#### Simulate point patterns
# multitype Neyman-Scott process (each cluster is a multitype process)
nclust2 = function(x0, y0, radius, n, types=factor(c("male", "female"))) {
  X = runifdisc(n, radius, centre=c(x0, y0))
  M = sample(types, n, replace=TRUE)
  marks(X) = M
  return(X)
}

year1 = rNeymanScott(5,0.1,nclust2, radius=0.1, n=5)
# plot(year1)
#-------------------
year2 = rNeymanScott(10,0.1,nclust2, radius=0.1, n=5)
# plot(year2)
#-------------------
year2 = rNeymanScott(15,0.1,nclust2, radius=0.1, n=10)
# plot(year2)
#-------------------
year3 = rNeymanScott(20,0.1,nclust2, radius=0.1, n=10)
# plot(year3)
#-------------------
year4 = rNeymanScott(25,0.1,nclust2, radius=0.1, n=15)
# plot(year4)
#-------------------
year5 = rNeymanScott(30,0.1,nclust2, radius=0.1, n=15)
# plot(year5)

#### Simulate distance to rivers
line <- psp(runif(10), runif(10), runif(10), runif(10), window=owin())
# plot(line)
# plot(year1, add=TRUE)

#------------------------ UPDATE ------------------------#
#### Create hyperframe
#---> NDVI simulated with distmap to point patterns (not ideal but just to test)
hyp.years = hyperframe(year=factor(2010:2014),
                       ppp=list(year1,year2,year3,year4,year5),
                       NDVI=list(distmap(year5),distmap(year1),distmap(year2),distmap(year3),distmap(year4)),
                       rivD=distmap(line),
                       stringsAsFactors=TRUE)
hyp.years$numYear = with(hyp.years,as.numeric(year)-1)
hyp.years

#### Run mppm models
# mppm1 = mppm(ppp~(NDVI+rivD)/marks,data=hyp.years); summary(mppm1)
#..........................
# mppm2 = mppm(ppp~(NDVI+rivD)/marks,random = ~1|year,data=hyp.years); summary(mppm2)
#..........................
# correlation = corAR1(form=~year)
# mppm3 = mppm(ppp~(NDVI+rivD)/marks,correlation = corAR1(form=~year),use.gam = TRUE,data=hyp.years); summary(mppm3)

###---> Run mppm model with annual trend and random variation in growth
mppmCorr = mppm(ppp~(NDVI+rivD+numYear)/marks,random = ~1|year,data=hyp.years)
summary(mppm1)
4

1 回答 1

1

如果随着时间的推移人口规模有趋势，那么将这种趋势包含在模型的系统部分中可能是有意义的。我建议您NumYear在数据框中添加一个新的数值变量（例如，给出自 2010 年以来的年数）。然后尝试添加简单的趋势项，例如+NumYear模型公式（这将对应于您观察到的人口指数增长。）您可以保留1|year随机效应项，这将允许人口规模围绕长期增长趋势随机变化.

无需将每年的数据模式拆分为单独的男性和女性模式。模型公式中的变量marks可用于指定任何依赖于性别的模型。

我很确定mppmwithuse.gam=TRUE不承认这个论点correlation，这可能只是被忽略了。（这取决于里面发生了什么gam）。

于 2016-06-27T02:11:42.517 回答