前言

本章的主要目的是詳細討論時空統計建模的三個目標：

• 在給定時空數據的空間新位置進行預測

• 用時空數據進行參數推斷

• 預測未來的新值

我們還強調了在我們的預測、參數估計和預測中量化不確定性的重要性。我們證明了時空預測的確定性方法是明智的，因為它們通常遵循 Tobler 定律，并在空間和時間上給予附近觀測更多的權重；然而，它們不提供預測不確定性的直接估計。然后，我們表明可以使用具有時空數據的（線性）回歸模型，并且只要殘差不具有時空依賴性，就很容易獲得統計上的最優預測，并且可能獲得統計上的最優預測。關于參數推斷，我們表明，線性回歸方法又是相關的，但在存在未建模的額外變化、從屬誤差、多重共線性和混雜情況下，我們的推斷可能會被誤導。最后，我們展示了標準廣義線性模型或廣義加性模型可用于非高斯數據的許多問題。但同樣，如果沒有隨機效應來解釋額外的變化和依賴性，這些模型可能會給出不適當的預測不確定性和推論。

本文介紹的方法非常常見。如插值 interpolation、回歸 regression和廣義線性模型generalized linear models等主題在各種教科書和在線資源中都有討論。

未來我們將探討當存在超出協變量可以解釋的時空依賴性時該怎么做。主要的解決思路一是關注時空協方差函數規范的描述性模型，二是關注空間過程隨時間演變的動態模型。

本文主要論述確定性模型相關內容。

1.確定性的預測模型 Deterministic Prediction Methods

也許執行時空預測的最簡單方法是遵循 Tobler 定律并簡單地平均數據

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的R语言实战应用精讲50篇（二十五）-时空数据统计模型：确定性预测模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。