R包分析時空相關數據和相關預測變量對響應變量的單獨影響

Question

我正在尋找合適的R包進行分析： i）不同樣本地點/季節的一個或兩個響應變量的統計差異是空間時間相關。 ii）分離各種參數對響應變量的影響，其中幾個預測因子強相關，但我懷疑有顯着的個體效應。

詳細說明：

我具有寬範圍的氣候/流（空氣的溫度，水的溫度，太陽光的強度，放電）和次表面（沉積物氣體逃避，沉積物的溫度的時間序列數據集（日/季節） ，地下水溫度，電導率）環境參數，試圖確定哪些因素決定了沉積物的氣體逸出和沉積物溫度。我懷疑溫度和有機物含量是瓦斯逃逸的主要驅動因素。但是，我如何分離空氣溫度，水溫和輻射效應，並確定每個沉積物對沉積物溫度的貢獻，因爲空氣溫度決定水溫，輻射和空氣溫度都會影響沉積物和水溫。另外，每個參數根據其強度（來自觀察）具有不同的滯後時間效應，並且顯然晝夜溫度彼此相關並且與另一個下游的採樣點相關，所以它們也可能在空間上相關。所以......我 ）如何統計證明在響應變量日間/季節性
二）確定每個預測變量的貢獻，我的反應參數提前

感謝您的想法不同！

Answer 1

在我看來，你的問題是錯誤的，因爲它比統計建模和R及其包更相關。 i）沒有辦法統計「證明」這一點。充其量也許有強烈的跡象。 ii）據我所知，沒有優雅可靠的方法可以做到這一點。我知道單因變量有一個名爲relaimpo的R包，它提供了一種解決這些問題的方法：https://cran.r-project.org/web/packages/relaimpo/index.html

你試圖解決的問題聽起來像是一個非常棘手的問題，需要深入理解所使用的方法和手頭的數據。以下是我將如何解決問題的方法：簡單起步。在1個單一採樣點上使用例如相關協方差矩陣。然後轉向滯後協方差，GLMs，...。也許檢查出典型的相關性。也許看看pca，...。很可能這會給你很多信息。最終，要真正瞭解每個變量如何影響您需要擾亂系統的其他變量。例如。改變水溫並觀察對所有其他變量的影響。

如果您真的想在這方面使用具有潛在變量空間和內部狀態的高級建模技術，那麼您可以使用類似動態線性模型的東西。有關DLM和狀態空間建模的教程可以在這裏找到：http://helios.fmi.fi/~lainema/dlm/dlmtut.html。雖然教程中的模型只有一個因變量，但您可以將相關時間序列制定爲矩陣，並在必要時對參數進行向量化。看看結構方程模型。