In paezha/spqdata: A package for the exploratory analysis of cross-sectional spatial qualitative data

knitr::opts_chunk$set(echo = TRUE)

Introduction

Esta guía está diseñada para mostrar el funcionamiento del paquete spqdata para testar dependencia espacial en datos cualitativos

Datos

En esta guia se usaran dos conjuntos de datos como ejemplos:

• Spain: La división de España en provincias. Es una geometría de polígonos que tiene islas

• FastFood: El ejemplo de Páez et al en JGS. Es una geometría de puntos

library(spqdata)
data("Spain", package = "spqdata")
data("FastFood", package = "spqdata")

• Se pueden generar datos con estructura espacial

DGP

Es posible generar procesos espaciales con estructura utilizando la función dgp.spq de la misma manera que en @Ruiz2012

rm(list = ls())
set.seed(123)
N <- 100
cx <- runif(N)
cy <- runif(N)
coor <- cbind(cx,cy)
p <- c(1/6,3/6,2/6)
rho = 0.5
listw <- spdep::nb2listw(knn2nb(knearneigh(coor, k = 4)))
fx <- dgp.spq(list = listw, p = p, rho = rho)

Un simple plot

ggplot(data.frame(fx=fx,cx=cx,cy=cy), aes(x=cx, y=cy, color=fx)) + 
    geom_point(size=6) +
    theme_bw()

Q test

• El test Q está basado en m-historias
• Se pueden observar las m-historias y generarlas con distintos algoritmos

m-historias

• m.surround es la función que genera m-historias.

• El output es un objeto de la clase m_surr

• El cálculo de las h-historias con una función específica tiene como principal objetivo que el usuario
  analice las características del conjunto de m-historias. Mediante el método \code{plot()} el usuario puede explorar la coherencia de las m-historias.

Obtain m-surroundings with degree of overlapping r:

m = 3
r = 1
mh <- m.surround(x = cbind(cx,cy), m = m, r = r)
class(mh)

Métodos para la clase m_surr

Hay tres métodos desarrollados para esta clase: print, summary y plot

• print lista las m-historias

• summary resumen de las carácterísticas de las m-historias

summary(mh)

• plot Muestra la estructura espacial de las m-historias

plot(mh, type = 1)

• El argumento control permite modificar algunas carácterísticas de la m-historia.
• Básicamente con control se pueden 'podar' m-historias no coherentes.

control <- list (dtmaxknn = 10)
mh.prune <- m.surround(x = coor, m = m, r = r, control = control)
plot(mh.prune)

El test Q

• La función Q.test obtiene el test Q desarrolado en [@Ruiz2012]

q.test <- Q.test(fx = fx, coor = coor, m = 3, r = 1)

• El output es un objeto de la clase spqtest
• Genera una lista con el resultado para símbolos basados en permutaciones (standard) como en combinaciones (equivalent).

Métodos para spqtest

summary(q.test)

plot(q.test)

El test Q para un objeto sf

• El input de Q.test puede también ser un objeto sf o un dataframe

# Case 3: With a sf object with isolated areas
data("Spain")
f1 <- ~ MenWoman
q.test.sf <- Q.test(formula = f1, data = spain.sf, m = 3, r = 1)

• El método \code{plot}

plot(q.test.sf)

QMap test

• Test QMap publicado en @Ruiz2012b

• La función Q.map.test obtiene el test QMap

El test QMap

p <- c(1/6,3/6,2/6)
rho = 0.5
QY1 <- dgp.spq(p = p, listw = listw, rho = rho)
rho = 0.8
QY2 <- dgp.spq(p = p, listw = listw, rho = rho)
dt = data.frame(QY1,QY2)
m = 3
r = 1
formula <- ~ QY1 + QY2
control <- list(dtmaxknn = 10)
qmap <- Q.map.test(formula = formula, data = dt, coor = coor, m = m, r = r, type ="combinations", control = control)

• El output de la función Q.Map es un objeto de la clase qmap y htest

Métodos para clase qmap

• El objeto qmap es una lista con dos elementos. Cada elemento es un objeto de la clase htext

print(qmap[[1]])

• El método plot obtiene la distribución de simbolos con los intervalos de confianza especificados por el usuario.

plot(qmap, ci=.6)

Runs tests

Global Runs test

• La función sp.runs.test obtiene el test de rachas espacial

listw <- knearneigh(coor, k = 3)
srq <- sp.runs.test(fx = fx, listw = listw)

• El output es un objeto de las clases sprunstest y htest

Metodos para clase spruntest

• Hay implementados dos métodos para objetos de esta clase: \code{print} y \code{plot}

print(srq)

plot(srq)

Local Runs test

• La función local.sp.runs.test calcula los test locales basadps en rachas

Local Runs test asintótico

• Version asintótica

lsrq <- local.sp.runs.test(fx = fx, listw = listw, alternative = "less")

• El método print lista los estadísticos

print(lsrq)

• El método plot identifica las localizaciones con test significativos

plot(lsrq, sig = 0.05)

Local Runs test boots

• Version boot (permutaciones) con un objeto sf

data(Spain)
listw <- spdep::poly2nb(as(spain.sf,"Spatial"), queen = FALSE)
plot(spain.sf["MenWoman"])
formula <- ~ MenWoman
# Boots Version
lsrq <- local.sp.runs.test(formula = formula, data = spain.sf, listw = listw, distr ="bootstrap", nsim = 199)
plot(lsrq, sf = spain.sf, sig = 0.10)

scan test

• De la familia de test scan para identificar clusters definidos para distintas distribuciones hay dos que se aplican a procesos espaciales de tipo cualitativo

• El output es un objeto de las clases scantest y htest

• Ver @Kanaroglou2016

• El test no necesita la matriz W

• El test contrasta la nula de independencia pero añade información adicional señalando uno o varios clústeres con distribición espacial diferencial del resto.

• No tiene distribución asintótica. La significatividad se obtiene por remuestreo permutacional

scan bernoulli

• Para porcesos espaciales con dos categorías

formula <- ~ MenWoman
scan.spain <- scan.test(formula = formula, data = spain.sf, case="men", nsim = 99, distr = "bernoulli")
print(scan.spain)

scan multinomial

• Para porcesos espaciales con tres o más categorías

data(FastFood)
formula <- ~ Type
scan.fastfood <- scan.test(formula = formula, data = FastFood.sf, nsim = 99, distr = "multinomial", windows="elliptic", nv = 100)
print(scan.fastfood)

metodos scan

• Hay dos métodos para aplicar a objetos scantest

summary(scan.fastfood)

plot(scan.spain, sf = spain.sf)

# plot.scantest(scan.fastfood, sf = FastFood.sf)

Similarity test

El papel de @Farber2014 desarrolla un test de similaridad

Test de similaridad

la función similarity.test calcula el test de similaridad tanto para distribición asintótica como por remuestreo permutacional.

coor <- cbind(FastFood.sf$Lon,FastFood.sf$Lat)
listw <- spdep::knearneigh(coor, k = 4)
formula <- ~ Type
similarity <- similarity.test(formula = formula, data = FastFood.sf, listw = listw)
print(similarity)

Join-count test

• Se ha wrapeado las funciones de spdep para distribuciones bernoulli y multinomial. Se pueden utilizar distribuciones asintóticas o Monte Carlo (permutaciones)

distribución asintótica

f1 <- ~ Older65 + MenWoman
jc1 <- jc.test(formula = f1, data = spain.sf, distr = "asymptotic", alternative = "greater", zero.policy = TRUE)
summary(jc1)

distribución Monte Carlo

jc1 <- jc.test(formula = f1, data = spain.sf, distr = "mc", alternative = "greater", zero.policy = TRUE)
summary(jc1)

References

paezha/spqdata documentation built on Dec. 22, 2021, 5:24 a.m.