二项式数据的回归克里金法

Question

我使用gstat来预测二项式数据，但预测值高于1且低于0.有谁知道如何处理这个问题？感谢。

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

一般而言，采用这种回归克里金方法，无法保证模型在趋势计算和残差分离时有效。关于代码的一些注意事项。请注意，您使用variogram来计算残差变异函数，但variogram使用正态线性模型来计算趋势，从而计算残差。您需要从glm确定残差，然后根据该残差计算残差变异函数。

您可以手动执行此操作，也可以查看fit.gstatModel包中的GSIF功能。您还可以查看geoRglm包中的binom.krige。 R-sig-geo上的This thread也可能很有趣：

  

从GLM中获取剩余物与使用指标有很大不同   变量。根据具体情况，甚至可能存在一些差异   你采取的GLM残差类型。运行GLM并探索残差   例如通过变异函数，我认为是常规做法，但是   它不会告诉你整个故事。适合GLGM   （基因实现的线性地统计模型）可以更具决定性   您可以对模型参数进行推断并访问相关性   更客观地说空间术语。这是最初的动机   对于geoRglm，一次完成所有建模，而不是通过两个步骤   作为拟合没有相关性的模型然后建模残差。   这带来了校准MCMC算法的额外负担。   后来spBayes来到现场，看起来确实看起来有点提议   更一般的框架，而geoRglm是相当具体的   单变量二项式和毒物模型。

     

正如罗杰所说，还有其他选择的余地   像GLMM或MCMCpack，但这肯定没有准备好   “开箱即用”和代码将需要适应空间   目的。