Comme mentionné dans le commentaire par @ adrian-Baddeley votre stratégie suggérée va simplement mesurer la différence entre les deux résultats. La façon dont vous pouvez calculer le nombre attendu de points dans différentes régions d'une intensité estimée est comme suit:
library(spatstat)
#> Loading required package: nlme
#> Loading required package: rpart
#>
#> spatstat 1.51-0.035 (nickname: 'Spatfefe')
#> For an introduction to spatstat, type 'beginner'
elev <- bei.extra$elev
grad <- bei.extra$grad
non <- rho2hat(bei, elev, grad)
pred <- predict(non)
grid <- quadrats(pred, nx = 4, ny = 2)
by(pred, grid, integral)
#> 1:
#> [1] 522.0247
#>
#> 2:
#> [1] 503.6255
#>
#> 3:
#> [1] 344.8552
#>
#> 4:
#> [1] 522.834
#>
#> 5:
#> [1] 454.5958
#>
#> 6:
#> [1] 470.2484
#>
#> 7:
#> [1] 556.1989
#>
#> 8:
#> [1] 415.8889
S'il vous plaît ajouter un code reproductible, y compris vos données (ou des données par exemple faux avec la même structure) et la façon dont vous utilisé 'rho2hat' et' ppm' et expliquez ce que vous entendez par "l'estimation fonctionne mieux". –
Dans le code ci-dessous j'essaie d'analyser ensemble de données "bei" par ppm et rho2hat: bibliothèque (spatstat) bibliothèque (Dismo) données (bei) bei joindre (bei.extra) #plot() non <-rho2hat (bei, Elév, diplômé) ajustement <- ppm (bei, ~ + Asc grad, covariables = bei.extra) # parcelle de fonction d'intensité estimée à tous les endroits pred <- prévoir (non) terrain (pred plot (bei, add = TRUE) – user8101567
Maintenant, une méthode devrait être de diviser la fenêtre en grilles et de comparer les fréquences attendues pour deux méthodes de ppm et rho2hat. Comment puis-je écrire le code? – user8101567