Regression Kriging von Binomialdaten

Question

Ich verwende Gstat, um eine binomische Daten vorherzusagen, aber die vorhergesagten Werte gehen über 1 und unter 0. Weiß jemand, wie ich mit diesem Problem umgehen kann? Vielen Dank.

data(meuse) 
data(meuse.grid) 
coordinates(meuse) <- ~x+y 
coordinates(meuse.grid) <- ~x+y 
gridded(meuse.grid) <- TRUE 

#glm model 
glm.lime <- glm(lime~dist+ffreq, meuse, family=binomial(link="logit")) 
summary(glm.lime) 

#variogram of residuals 
var <- variogram(lime~dist+ffreq, data=meuse) 
fit.var <- fit.variogram(var, vgm(nugget=0.9, "Sph", range=sqrt(diff(meuse@bbox\[1,\])^2 + diff(meuse@bbox\[2,\])^2)/4, psill=var(glm.lime$residuals))) 
plot(var, fit.var, plot.nu=T) 

#universal kriging 
kri <- krige(lime~dist+ffreq, meuse, meuse.grid, fit.var) 
spplot(kri[1]) 

Answer 1

Im Allgemeinen gibt mit dieser Art von Regressions Kriging-Methode ist keine Garantie, dass das Modell als die Berechnung des Trends gültig ist und die Reste getrennt. Ein paar Hinweise zu deinem Code. Beachten Sie, dass Sie variogram verwenden, um das Restvariogramm zu berechnen, aber variogram verwendet ein normales lineares Modell, um den Trend und damit auch die Residuen zu berechnen. Sie müssen Ihre Rückstände von Ihrem glm ermitteln und dann ein darauf basierendes Residual-Variogramm berechnen.

Sie könnten dies manuell tun, oder sehen Sie sich die fit.gstatModel Funktion aus dem GSIF Paket an. Sie können auch binom.krige aus dem geoRglm Paket ansehen. This thread auf R-sig-geo könnte auch interessant sein:

residuas von einem GLM zu nehmen ist ziemlich verschieden von Variablen Indikatoren. Je nachdem, welche Art von GLM-Residuen Sie nehmen, kann es auch einige Unterschiede geben. Führen Sie einen GLM aus und untersuchen Sie die Residuen z. über Variogramme, ist etwas, was ich für eine Routineübung halten, aber es nicht immer erzählt Ihnen die ganze Geschichte. Die Anpassung eines GLGM (gene- realisiertes lineares geostatistisches Modell) kann aussagekräftiger sein, da Sie auf die Modellparameter einwirken und die Relevanz des räumlichen Terms eher objektiv nutzen können. Dies war die ursprüngliche Motivation für georglm machen alle Modellierung auf einmal und nicht durch zwei Schritte wie als ein Modell ohne Korrelation und Modellierung Residuen dann. Dies kam mit der zusätzlichen Last der Kalibrierung der MCMC-Algorithmen. Später kam spBayes zur Szene und sieht in der Tat vielversprechend aus, indem er einen allgemeineren Rahmen vorschlägt, während geoRglm ziemlich spezifisch für univariate Binomial- und Poison-Modelle ist.

Wie Roger sagt es Spielraum ist mit anderen Alternativen wie die GLMM zu spielen, um oder vielleicht MCMCpack, aber das ist sicherlich nicht bereit „out-of-the-box“ und Code muss für die räumlichen angepasst werden Zwecke.