用于面状数据空间聚类检测的 Ripley's K 函数推广
统计方法学
2022-04-25 v1 统计理论
统计理论
摘要
空间聚类检测在多个领域具有广泛应用，包括识别传染病暴发、评估土地利用模式、定位犯罪热点，以及识别脑成像应用中的神经元簇。虽然对点过程数据执行空间聚类分析十分常见，但针对面状数据的应用也经常受到关注。例如，研究者可能希望知道带有某种罕见疾病病例或传染病暴发的普查区是否在空间上趋于聚集。由于专为面状数据设计的空间聚类方法很少，研究者常将面状数据简化为点过程数据（例如，使用每个面状单元的质心）并应用为点过程数据设计的方法，如 Ripley's K 函数或平均最近邻方法。然而，由于这些方法并非为面状数据设计，可能出现若干问题。例如，我们表明它们会导致功效损失和/或一类错误率显著膨胀。为解决这些问题，我们提出了一种 Ripley's K 函数的推广形式，专门设计用于检测面状数据中的空间聚类。我们通过广泛的模拟研究将其性能与传统 Ripley's K 函数、平均最近邻方法以及空间扫描统计量进行比较。随后，我们通过将其用于检测包含保护地役权的地块以及具有高儿童超重/肥胖率的美国县中的空间聚类，评估了该方法的真实世界表现。
引用
@article{arxiv.2204.10852,
title = {A Generalization of Ripley's K Function for the Detection of Spatial Clustering in Areal Data},
author = {Stella Self and Anna Overby and Anja Zgodic and David White and Alexander McLain and Caitlin Dyckman},
journal= {arXiv preprint arXiv:2204.10852},
year = {2022}
}