使用点过程模型进行预测
Using a Point Process model for Prediction
我正在分析救护车事故数据。该数据集涵盖三年，大约有 250000 起事件。
初步分析，事件分布与人口分布有关。
使用 spatstat 拟合点过程模型与此一致，在部分残差图中具有广泛的一致性。
但是，据信在 "social hours"，即周五、周六晚上、public 节假日期间，趋势与人口相关趋势有所不同。
我想获取数据的子集，看看它们与总体情况有何不同。由于数据子集中固有的点数较少，我该如何解释强度差异？
或者有没有办法直接用我的拟合模型做大图？
由于存在隐私问题，很难提供数据，而且由于数据集的大小，很难模拟这种情况。我绝不是统计学家，因此我在这里有点不知所措。我有一份
"Spatial Point Patterns Methodology and Applications with R" 这很有用。
到目前为止，我将尝试使用伪代码来解释我的方法..
250k_pts.ppp <- ppp(the_ambulance_data x and y, the_window)
1.3m_census_pts <- ppp(census_data x and y, the_window)
目测密度面的最佳带宽似乎是bw.scott。这用于拟合点的密度表面。
inc_density <- density(250k_pts.ppp, bw.scott)
pop_density <- density(1.3m_census_pts, bw.scott)
fit0 <- ppm(inc_density ~ 1)
fit_pop <- ppm(inc_density ~ pop_density)
partials <- parres(fit_pop, "pop_density")
绘制部分残差表明与线性拟合的一致性是广泛可接受的，某些区域 'wobble'..
接下来我想做什么：
the_ambulance_data %>% group_by(day_of_week, hour_of_day) %>%
select(x_coord, y_coord) %>% nest() -> nested_day_hour_pts
获取这些列表项之一并创建 ppp，比如 fri_2300hr_ppp；
fri23.den <- density(fri_2300hr_ppp, bw.scott)
fit_fri23 <- fit(fri_2300hr_ppp ~ pop_density)
然后如何将此 ppp 或密度与更广泛的模型进行比较？可以做分散、聚类等特征检验。。可以比较fit_pop和fit_fri23的部分残差吗？
我如何控制点数对密度的影响 - 即我有 250k 点而不是子集中的 8000 点。我在想也许是密度表面的分位数？
将标记附加到代表subset/categories 感兴趣的救护车数据（例如'busy' 与'non-busy'）。对于非正式或非参数分析，使用 relrisk 等工具，或在使用 split.ppp 分离不同类型的点后使用 density.splitppp。对于正式分析（考虑样本大小等），您应该将多个候选模型拟合到相同的数据，一个模型具有 busy/nonbusy 效果，另一个模型没有这种效果，然后使用 anova.ppm正式测试是否有busy/nonbusy效果。参见书中提到的第 14 章。
我正在分析救护车事故数据。该数据集涵盖三年，大约有 250000 起事件。 初步分析，事件分布与人口分布有关。 使用 spatstat 拟合点过程模型与此一致，在部分残差图中具有广泛的一致性。 但是，据信在 "social hours"，即周五、周六晚上、public 节假日期间，趋势与人口相关趋势有所不同。
我想获取数据的子集，看看它们与总体情况有何不同。由于数据子集中固有的点数较少，我该如何解释强度差异？
或者有没有办法直接用我的拟合模型做大图？
由于存在隐私问题，很难提供数据，而且由于数据集的大小，很难模拟这种情况。我绝不是统计学家，因此我在这里有点不知所措。我有一份
"Spatial Point Patterns Methodology and Applications with R" 这很有用。
到目前为止，我将尝试使用伪代码来解释我的方法..
250k_pts.ppp <- ppp(the_ambulance_data x and y, the_window)
1.3m_census_pts <- ppp(census_data x and y, the_window)
目测密度面的最佳带宽似乎是bw.scott。这用于拟合点的密度表面。
inc_density <- density(250k_pts.ppp, bw.scott)
pop_density <- density(1.3m_census_pts, bw.scott)
fit0 <- ppm(inc_density ~ 1)
fit_pop <- ppm(inc_density ~ pop_density)
partials <- parres(fit_pop, "pop_density")
绘制部分残差表明与线性拟合的一致性是广泛可接受的，某些区域 'wobble'..
接下来我想做什么：
the_ambulance_data %>% group_by(day_of_week, hour_of_day) %>%
select(x_coord, y_coord) %>% nest() -> nested_day_hour_pts
获取这些列表项之一并创建 ppp，比如 fri_2300hr_ppp；
fri23.den <- density(fri_2300hr_ppp, bw.scott)
fit_fri23 <- fit(fri_2300hr_ppp ~ pop_density)
然后如何将此 ppp 或密度与更广泛的模型进行比较？可以做分散、聚类等特征检验。。可以比较fit_pop和fit_fri23的部分残差吗？
我如何控制点数对密度的影响 - 即我有 250k 点而不是子集中的 8000 点。我在想也许是密度表面的分位数？
将标记附加到代表subset/categories 感兴趣的救护车数据（例如'busy' 与'non-busy'）。对于非正式或非参数分析，使用 relrisk 等工具，或在使用 split.ppp 分离不同类型的点后使用 density.splitppp。对于正式分析（考虑样本大小等），您应该将多个候选模型拟合到相同的数据，一个模型具有 busy/nonbusy 效果，另一个模型没有这种效果，然后使用 anova.ppm正式测试是否有busy/nonbusy效果。参见书中提到的第 14 章。