我在我的数据上应用了排列测试来测试它们是否是不均匀的，在spatstatbook的第689页。作为青铜过滤器数据的一个例子。为此，我取消了我的点并运行了两个测试（我还将我的区域分为6个象限：2的20 x150 m和4的15 x150 m-〉总面积100 x150 m），这表明我的一般数据或多或少是同质的（我通过kscaled和kinho的行为图像进行了测试，两者几乎具有相同的行为）。我的本地测试给出了locTest(T=1.3437, p-value=0.225)，corrTest (T = 2.3059, p-value = 0.052)，这表明我的整体数据或多或少是homogeneous。
虽然我有unmarked我的数据来做分析，如在例子中，我有许多标记（sp，和许多功能性状）。我的问题是，我应该对每个mark类型应用排列测试吗？在分类的情况下，对每个level？或者仅仅是一般测试就足以假设同质性？
1条答案
按热度按时间ffx8fchx1#
这不是the spatstat book第689-694页所述排列测试的正确解释。
如果您不确定点模式是否均匀，第一步应该是使用类似
quadrat.test或anova.ppm的方法测试强度是否均匀。通常，当我们已经知道点模式是非均匀的，并且我们试图确定它表现出什么样的 * 不均匀性 * 时，应用689-694页上描述的函数
studpermu.test。确实，如果你使用
studpermu.test和summaryfunction=Kest（默认值），那么这将执行二阶同质性测试（更准确地说-测试模式的不同子集是否具有相同的K函数）。然而，从你的问题来看，你似乎遵循了第689-694页示例中使用的代码。该代码使用了
bronzefilter数据集，该数据集非常明显非齐次，问题是什么样的非齐次假设是合适的。您提到的两个测试
locTest和corTest可能是通过分别用summaryfunction=Kscaled和summaryfunction=Kinhom调用studpermu.test来执行的（按照书中的代码）。locTest的 p 值为0.225，这并不重要，对于corTest获得的 p 值是0.052，这非常接近于对相关平稳过程的零假设的正式拒绝。因此，这些测试表明，你的未标记点模式来自一个非均匀的，局部缩放的点过程-不是均匀的点过程。