Estacionariedad - supuestos y examen


8

Estoy examinando las capturas de roedores en seis rejillas permanentes de captura de roedores que miden 150 x 150 metros y que consta de 121 estaciones de trampa separadas uniformemente a 15 metros de distancia. Hay seis redes de captura de este tipo en el sitio de estudio que tiene <1000 hectáreas de tamaño. Me gustaría interpolar los datos de captura para crear una superficie Kriged de actividad de roedores. Una suposición de interpolación es que los datos son estacionarios.

Como afirman Fortin y Dale (2005)

Se requiere estacionariedad para hacer inferencias a partir de un modelo que caracteriza el proceso de la estructura espacial de datos en ubicaciones que no se muestrean.

Por lo que entiendo, un proceso puede describirse como estacionario cuando sus propiedades estadísticas (media y varianza) no varían en el espacio.

Pero, ¿no es la variación en el espacio por qué llevamos a cabo un análisis espacial en primer lugar?

La estacionariedad a menudo se introduce en la literatura de análisis espacial / geoestadístico, pero aún no he encontrado una dirección sólida e información sobre

  1. a qué escala, o para qué tipo de estudios, es razonable suponer que sus datos son estacionarios,
  2. cómo examinar y verificar que los datos son estacionarios y, por último,
  3. una vez cuantificado de alguna manera, ¿cuánta diferencia de un área a la siguiente califica sus datos como no estacionarios?

Hasta ahora, después de revisar la literatura, el concepto y el examen de la estacionariedad parecen altamente subjetivos, arbitrarios y / u ofuscados.

Si alguien puede proporcionar algún consejo práctico con este problema, ¡lo agradecería mucho!


Puede interesarle esta discusión en un hilo relacionado.
whuber

Respuestas:


2

Siempre hay dos formas de calcular estadísticas con el tipo de cosas de las que estás hablando:

  1. Calcular estadísticas dentro de una cuadrícula.
  2. Calcular estadísticas entre diferentes cuadrículas.

Ahora, no hay razón para que las propiedades estadísticas dentro de una cuadrícula tengan que coincidir con las características estadísticas entre cuadrículas. Posiblemente podrían ser completamente diferentes, es decir, uno podría estar en un campo minado sin ratas y el otro podría estar en el centro de Baltimore. Claramente, la distribución de las ratas sería bastante diferente dependiendo de la forma en que corte los datos, es decir, a través de las redes o dentro de las redes.

La estacionariedad es la suposición de que las estadísticas que calcula son las mismas independientemente de la forma en que dividió los datos. Hablando en términos prácticos, puede "examinar y verificar que los datos sean estacionarios" analizando medios, variaciones, histogramas, etc., dentro de los sitios, y luego a través de los sitios, y ver si son iguales, dentro de los intervalos de confianza. No hay reglas duras y rápidas; usted hace lo mejor con los datos que tiene y las técnicas a su disposición, trata de justificarlos matemáticamente y presenta resultados prácticos. Diría que puede justificar sus métodos si puede mostrar la estacionariedad de esta manera en algún intervalo de confianza estándar, digamos 95% o 99%.


3
Aunque esto tiene sentido en general, me parece que está un poco en desacuerdo con la práctica habitual de la estadística espacial. Allí, la estacionariedad es una decisión tomada por el modelador, no una propiedad inherente de un proceso o los datos. No se refiere necesariamente a los datos, sino a los residuos de una tendencia externa o "deriva". En su ejemplo de ratas, las diferencias en el número esperado de ratas con ubicación podrían modelarse con una deriva y la parte estocástica del modelo podría considerarse estacionaria.
whuber
Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.