Лінійна регресія та просторово-автокореляція

Я хочу передбачити висоту дерева в певній області, використовуючи деякі змінні, отримані за допомогою дистанційного зондування. Як приблизна біомаса тощо. Спочатку я хочу використовувати лінійну регресію (я знаю, що це не найкраща ідея, але це необхідний крок для мого проекту). Мені хотілося знати, як погано може впливати на нього просторова автокореляція і який найпростіший спосіб виправити це, якщо це навіть можливо. Я все роблю в R до речі.

r multiple-regression spatial autocorrelation

— JEquihua
джерело

Якщо ви бачите просторову автокореляцію в залишках, ви можете включити спостереження в сусідніх місцях ("просторові відставання") в якості прогнозів у моделі, як пропонує Самер. Іншим варіантом обробки просторової автокореляції є моделювання просторової тенденції, включаючи напівпараметрично оцінену функцію просторових координат, використовуючи, наприклад, узагальнену модель добавок. Дивіться це пов'язане питання для отримання додаткової інформації.

— Макрос

$\mathbf{w}$ $w_{ij}$ $X_i$ $X_j$

Якщо в залишках виявлено статистично значущу автокореляцію, фізично проксимальні спостереження повинні бути включені в регресійну модель, аналогічно тому, що робиться у часовій серії.

На щастя, для користувача R існує аналіз завдання CRAN просторових даних ; Одним із рекомендаційних пакетів є spdep , який має необхідні функції (та ілюстративні віньєтки).

— Той самий
джерело

(+1) Автор spdepтакож має хороший підручник про аналізі просторових даних в R тут . Я є власником цієї книги і вважаю її дуже корисною.

— Макрос

Для повноти Geary's також є мірою просторової кореляції. en.wikipedia.org/wiki/Geary's_C

— xro7