我使用spatstat来使用ppm函数构建点过程模型，但是当我使用残差图parres来理解协变量的影响时，我在验证中遇到了问题。
该模型由1022个鸟类发生地点(称为ois.ppm)、栖息地可用性(一个称为FB0lin的栅格，经过归一化和对数变换)、采样努力(一个称为Nbdate的栅格，也经过归一化)和整个研究区域的地点可达性(一个称为pAccess的栅格，也经过归一化)组成。目的是评价吉布斯点过程模型与盖耶过程参数、生境可用性、采样努力和可达性的拟合性。eps函数还用于创建沿网格选择的一组虚拟点，分辨率为100 x 100 m。
使用的模型为:mod.ois.echlin = ppm(ois.ppp, ~ FB0lin + Nbdate + pAccess, interaction = Geyer(r=401,sat=9), eps=100)
Geyer参数使用:rs=expand.grid(r=seq(1,1001, by=50), sat=1:40)term.interlin=profilepl(rs, Geyer, ois.ppp,~FB0lin+Nbdate+pAccess)
然后使用parres函数:res.FB0.echlin=parres(mod.ois.echlin, covariate="FB0lin")plot(res.FB0.echlin,main="FB0 LinCost", legend=FALSE)
问题是，拟合值似乎不是最优的(见下图)。拟合曲线在区间置信范围内的值应该较低，但在此区间之外，这可能会影响点过程模型的质量。
我的问题是:
- 您见过这样的结果吗?正常吗? 有可能改正吗?
图:平滑的部分残差- FB0lin
如有任何建议，不胜感激。
诊断工作正常。这表明，作为预测变量FB0lin的函数，拟合模型(用虚线表示)将模型的真实强度(用粗黑色曲线和灰色置信带表示)高估了一个常数。线性关系(对数强度对协变量的线性依赖)似乎是足够的，因为你不需要用更复杂的关系来取代这种线性关系(这是使用部分残差的主要问题)。诊断说，除了将对数强度低估了一个常量之外，该模型是足够的，这意味着它低估了一个常数因子的强度。(这可能是由于其他预测因子Nbdate和pAccess参与模型的方式，也可能是由于点间相互作用的选择。要研究这个问题，您需要尝试在spatstat书的第11章中讨论的其他工具。