R语言检讨空间自相关Moran’s I和运行SAR模子

在空间取样中位置越靠近的点相应的变量也大概越临近，这种现象称为空间自相关。空间自相关可以或许改变人们对某些事物原因的判定。举例来说，一个所在物种数高，邻近的点物种数也相应得会高些，但这并不必然是由于两个所在的情况条件都十分优越，而纯粹是由于两个所在之间在空间上更为靠近。点与点之间空间干系的依赖性使得各点之间数据并不是独立的。

为此，需要从空间干系检讨空间自相关是否存在。空间自相关的检讨，用Moran’s I 暗示。 Moran’s I 与Pearson相干系数的算法雷同，不外其计较时相关水平思量的是点与点自己。在R的ape措施包中，有关于Moran’s I的具体的说明。为了检讨Moran’s I的显著性，空间统计学家举动Randomization的要领，得到Moran’s I的零漫衍，继而求的各间隔段中的Moran’s I是否显著偏离于零漫衍。

为了只管去除空间自相关的影响，统计学家开拓出了空间自回归模子，SAR（Spatial Auto Regressive Model）,该模子在R的spdep中可以或许较为利便的实现。虽然，也尚有浩瀚的措施包，如宏生态学数据阐明的SAM措施包等。

一下是在spdep措施包中如何计较和检讨Moran’s I的具体进程，以及挪用SAR模子，举办相应的统计揣度等。但愿对感乐趣的同行有所辅佐。

##################

library(spdep)

## 为了检讨ntaxa是否具有空间自相关

setwd(“C:/one/”)

test0 <- read.csv(“test.csv”, header = TRUE, row.names = 1)

ntaxa <- test0$ntaxa

## 将test数据集转换成Spatial名目

test <- test0[,c(1,2)]

sptest <- SpatialPoints(test, proj4string = CRS(“+proj=longlat +datum=WGS84”))

## 计较每个点最近的几个neighbour（这里k = 1,暗示只计较一个的）

nbk1 <- knn2nb(knearneigh(sptest, k = 5, longlat = TRUE))

## 将nbk1转换成 spatial weight linkage object 工具

snbk1 <- make.sym.nb(nbk1)

### n.comp.nb() finds the number of disjoint connected subgraphs

### in the graph depicted by nb.obj – a spatial neighbours list object.

### 查察每个点不相接的相邻点数量

n.comp.nb(snbk1)$nc

### 查察各点链接环境

plot(nb2listw(snbk1), cbind(test$longitude, test$latitude))

### Moran’s Test检讨该数据集是否存在显著的空间自相关

### Moran’s I test under randomisation

moran.test(ntaxa, nb2listw(snbk1))

### Moran’s I Correlograms

### par(mfrow = c(1, 3))

ntaxa.Moron.I <- sp.correlogram(snbk1, ntaxa, order=6, method=“I”, zero.policy = TRUE)

plot(ntaxa.Moron.I)

### SAR model

### Saddlepoint approximation for global Moran’s I (Barndorff-Nielsen formula)

lm.morantest.sad(lm(ntaxa~1),nb2listw(snbk1))

## sacsarlm

COL.sacW.eig <- sacsarlm(ntaxa ~ Pre + Elev + factor(Time) + factor(Geology), data = test0, nb2listw(snbk1, style=“W”))

summary(COL.sacW.eig, correlation=TRUE)