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。 初步分析表明，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。 然而，人们认为这个趋势与社会时间周期中的人口相关趋势不同，即周五，周六晚，公众假期。
我想获取数据的子集，看看它们与总体情况有何不同。如何解释由于数据子集中固有的点数较少而导致的强度差异？
或者有没有办法直接使用我的拟合模型进行总体情况？
由于存在隐私问题而难以提供数据，并且由于数据集的大小，很难模拟情况。我绝不是统计学家，所以我在这里徘徊了一下。我有一份副本 ＆＃34;空间点模式方法和应用与R＆＃34;这非常有用。
到目前为止，我将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)
通过目视检查，密度表面的最佳带宽似乎为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，线性拟合的一致性是广泛可接受的，有些区域是“摆动”。
我正在考虑做下一步：
the_ambulance_data %>% group_by(day_of_week, hour_of_day) %>%
select(x_coord, y_coord) %>% nest() -> nested_day_hour_pts
选择其中一个列表项并创建一个ppp，比如说fri_2300hr_ppp;
fri23.den <- density(fri_2300hr_ppp, bw.scott)
fit_fri23 <- fit(fri_2300hr_ppp ~ pop_density)
如何将此ppp或密度与更广泛的模型进行比较？我可以进行色散，聚类等特征测试。我可以比较fit_pop和fit_fri23的部分残差吗？
我如何控制密度点数的影响 - 即我有250k点而不是子集中的8000点。我想的可能是密度表面的分位数？
答案 0 :(得分：2)
在代表感兴趣的子集/类别的救护车数据上附加标记（例如“忙碌”与“非忙碌”）。对于非正式或非参数分析，请使用relrisk之类的工具，或在使用density.splitppp分隔不同类型的点后使用split.ppp。对于正式分析（考虑样本大小等），您应该将几个候选模型拟合到相同的数据，一个模型具有繁忙/非繁忙效果，另一个模型没有这样的效果，然后使用anova.ppm来测试正式是否有繁忙/不忙的效果。参见上述书的第14章。