Generating spatially constrained null models for irregularly spaced data using <scp>M</scp>oran spectral randomization methods
Notice bibliographique
Résumé
Summary Spatial autocorrelation jeopardizes the validity of statistical inference, for example correlation and regression analysis. Restricted randomization methods can account for the effect of spatial autocorrelation in the observed data by building it into an empirical null model for hypothesis testing. This can be achieved, for example, based on conditional simulation, which fits a highly parameterized geostatistical model to the observed spatial structure, or, for data observed on a regular transect or grid, with Fourier spectral randomization methods that can flexibly model spatial structure at any scale. This study uses M oran eigenvector maps to extend spectral randomization to irregularly spaced samples. We present different algorithms to perform restricted randomization to suit different types of research questions: individual randomization of each variable, joint randomization of a group of variables while keeping within‐group correlations fixed, and randomization with a fixed correlation between original data and randomized replicates (e.g. as input for simulation studies). The performance of the proposed M oran spectral randomization methods for regularly and irregularly spaced samples is assessed with correlation analysis of simulated data. Moran spectral randomization closely matched the spatial structure of original simulated data sets, with identical or nearly identical M oran's I values and power spectra, depending on the algorithm. In correlation analysis of two spatially autocorrelated variables, M oran spectral randomization produced correct type I error rates for stationary spatial data, even for very small and highly irregular samples, but was sensitive to linear trend. When one or both variables lacked spatial structure, M oran spectral randomization tests were more conservative than correlation t ‐tests. The proposed M oran spectral randomization method requires a minimum of parameterization and is able to address multivariate data with spatial structure at multiple scales, with the option of controlling levels of correlation with the original data. It can provide technically unlimited numbers of randomizations even for small samples while closely maintaining the spatial characteristics of uni‐ or multivariate data at all spatial scales. The method is applicable for correlation analysis of stationary, autocorrelated spatial or temporal series. Further research should assess whether the method can be extended to multiple regression analysis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,025 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».