使用 R 在 lpp 上测试 CSR
Testing CSR on lpp with R
我最近发布了一个 "very newie to R" 关于正确执行此操作的问题，如果您对此感兴趣，可以在 [此处] 找到它。1
我现在已经设法开发了一个简单的 R 脚本来完成这项工作，但现在的结果让我很烦恼。
长话短说我正在使用 R 分析 lpp（线性点模式）和 mad.test。该函数执行假设检验，其中原假设是点是随机分布的。目前我有 88 个 lpps 需要分析，根据 p.value 其中 86 个是随机分布的，其中 2 个不是。
这是两个非随机分布的 lpp。
看第一个你可以看到某种簇，但第二个只有三个点，在我看来，没有办法保证只有三个点不对应于一个随机的分配。还有其他曲目有 1 点、2 点、3 点，但它们都属于 "random" lpps 类别，所以我不知道为什么这个不同。
那么问题来了：多少分对于CSR测试来说太少了？
我还注意到这两个 lpps 的 $statistic$rank 比其他的要低得多。我试图找到那是什么意思，但我现在一无所知，所以这是另一个新手问题：Is the $statistic$rank some kind of quality analysis indicator, and thus I can use it to group我对 "significant ones" 和 "too little points" 的 lpp 分析?
我的 R 脚本和所有的 shp 文件都可以从 here(850 Kb) 下载。
非常感谢您的帮助。
对于分析需要多少个点的问题，不可能给出一个普遍的答案。通常 0、1 和 2 对于独立分析来说太少了。然而，如果它们是同一事物的重复测量的一部分，它们可能仍然很有趣。另外，我通常会说您的 3 点示例太少，无法说出任何有趣的内容。但是，一个极端的例子是，如果您有一条长线段，其中一个点靠近一端出现，而另外两个点在另一端彼此靠近。对于 CSR，这不太可能发生，您可能倾向于不相信该假设。这似乎是你的情况。
关于您关于排名的问题，您可能需要阅读更多有关您正在进行的 Monte Carlo 测试的内容。基本上，您用一个数字（线性 K 的最大绝对偏差）总结点模式，然后查看这个数字与 CSR 随机生成的数字相比有多极端。假设您使用 99 次 CSR 模拟，您总共有 100 个数字。如果您的数据在这些数据中排名最极端 ($statistic$rank==1)，则它的 p 值为 1%。如果它排在第 50 个数字，则 p 值为 50%。如果您使用了其他数量的模拟，则必须进行相应的计算。 IE。 199 次模拟，排名 1 为 0.5%，排名 2 为 1%，等等
多重测试 这里有一个基本问题。您正在应用假设检验 88 次。该测试（默认情况下）设计为在 5%（20 个中有 1 个）的应用程序中给出误报，因此如果零假设为真，您应该预计 88 /20 = 4.4 个误报会发生在您的 88 次测试中。因此，仅获得 2 个正结果 ("non-random") 与所有模式都是随机的原假设完全一致。我的结论是模式是随机的。
我最近发布了一个 "very newie to R" 关于正确执行此操作的问题，如果您对此感兴趣，可以在 [此处] 找到它。1
我现在已经设法开发了一个简单的 R 脚本来完成这项工作，但现在的结果让我很烦恼。
长话短说我正在使用 R 分析 lpp（线性点模式）和 mad.test。该函数执行假设检验，其中原假设是点是随机分布的。目前我有 88 个 lpps 需要分析，根据 p.value 其中 86 个是随机分布的，其中 2 个不是。
这是两个非随机分布的 lpp。
看第一个你可以看到某种簇，但第二个只有三个点，在我看来，没有办法保证只有三个点不对应于一个随机的分配。还有其他曲目有 1 点、2 点、3 点，但它们都属于 "random" lpps 类别，所以我不知道为什么这个不同。
那么问题来了：多少分对于CSR测试来说太少了？
我还注意到这两个 lpps 的 $statistic$rank 比其他的要低得多。我试图找到那是什么意思，但我现在一无所知，所以这是另一个新手问题：Is the $statistic$rank some kind of quality analysis indicator, and thus I can use it to group我对 "significant ones" 和 "too little points" 的 lpp 分析?
我的 R 脚本和所有的 shp 文件都可以从 here(850 Kb) 下载。
非常感谢您的帮助。
对于分析需要多少个点的问题，不可能给出一个普遍的答案。通常 0、1 和 2 对于独立分析来说太少了。然而，如果它们是同一事物的重复测量的一部分，它们可能仍然很有趣。另外，我通常会说您的 3 点示例太少，无法说出任何有趣的内容。但是，一个极端的例子是，如果您有一条长线段，其中一个点靠近一端出现，而另外两个点在另一端彼此靠近。对于 CSR，这不太可能发生，您可能倾向于不相信该假设。这似乎是你的情况。
关于您关于排名的问题，您可能需要阅读更多有关您正在进行的 Monte Carlo 测试的内容。基本上，您用一个数字（线性 K 的最大绝对偏差）总结点模式，然后查看这个数字与 CSR 随机生成的数字相比有多极端。假设您使用 99 次 CSR 模拟，您总共有 100 个数字。如果您的数据在这些数据中排名最极端 ($statistic$rank==1)，则它的 p 值为 1%。如果它排在第 50 个数字，则 p 值为 50%。如果您使用了其他数量的模拟，则必须进行相应的计算。 IE。 199 次模拟，排名 1 为 0.5%，排名 2 为 1%，等等
多重测试 这里有一个基本问题。您正在应用假设检验 88 次。该测试（默认情况下）设计为在 5%（20 个中有 1 个）的应用程序中给出误报，因此如果零假设为真，您应该预计 88 /20 = 4.4 个误报会发生在您的 88 次测试中。因此，仅获得 2 个正结果 ("non-random") 与所有模式都是随机的原假设完全一致。我的结论是模式是随机的。