我正在映射和建模绵羊疾病。我的数据集中有大约4200点位置，每个位置代表给定的绵羊农场的质心。
我创建了一个K功能差异图（下图），以评估我的疾病阳性农场密度层是否显示了我的疾病阴性农场密度层所显示的空间依赖性的证据。从这个图中，我发现数据集中的空间依赖性与给定疾病阳性农场的距离为500m。
我已经建立了一个泊松点过程模型，并通过模型选择过程。我的模型残差似乎相对良好。请参阅下面潜伏的变量图，RAW和PEARSON残留物。
在我的泊松点过程模型中评估（或不）的空间依赖/交互项的需求，我从最终模型估计的密度表面创建了一个不均匀的k功能图。请参阅下面的不均匀k功能图。
我的问题：
1）基于这些图，我是否应该在模型中包含空间依赖/相互作用项？如果是这样，为什么？
2）如果不是由于疾病本身，在我的泊松点过程模型中，是否在我的泊松点过程模型中解释了不均匀的k函数的排斥？不均匀的K功能图没有显示出疾病阳性农场群集的证据，但确实显示出与排斥一致的证据。我相信这种排斥是我的数据的伪像，而与疾病本身无关 - 我正在使用点来代表农场的区域，因此，要点永远不会比他们的农场边界更接近。
事先感谢您的任何答案，我非常感谢！
k功能差图
PPM的原始残差
PPM的Pearson残差
不均匀的K-功能
为此问题使用点过程模型是不合适的。农场的位置是固定的，而农场状况（患病或未解决）是响应变量。
泊松点过程模型将指出农场的位置是独立的，这显然是不现实的。结果与农场分开是一致的，这是现实的，但对您的真正问题却不提供信息。
在spatstat软件包中，您可以使用relrisk功能来估计空间变化的疾病风险。但是，为了评估传染病的证据，在农场位置有条件，您最好使用诸如spdep的软件包。