روش‌های آماری برای تحلیل داده‌های فضایی ۲۰۱۷
Statistical Methods for Spatial Data Analysis 2017

درک آمار فضایی نیازمند ابزارهایی از آمار کاربردی و ریاضی، نظریه مدل خطی، رگرسیون، سری‌های زمانی و فرآیندهای تصادفی است. همچنین نیازمند ذهنیتی است که بر ویژگی‌های منحصر به فرد داده‌های فضایی و توسعه ابزارهای تحلیلی تخصصی که به‌طور خاص برای تحلیل داده‌های فضایی طراحی شده‌اند، تمرکز دارد. کتاب “روش‌های آماری برای تحلیل داده‌های فضایی” پاسخی به نیاز متنی است که همه این عوامل را با ارائه یک شرح متوازن که هم به بررسی مبانی نظری حوزه آمار فضایی و هم روش‌های عملی برای تحلیل داده‌های فضایی می‌پردازد، در خود جای داده است.

این کتاب، یک بررسی جامع و مصور از نظریه‌ها و روش‌های آماری پایه برای تحلیل داده‌های فضایی است که از یک رویکرد مدل-محور و فراوانی‌گرا که بر دامنه فضایی تأکید دارد، بهره می‌برد. ابزارها و رویکردهای ضروری از جمله: معیارهای خودهمبستگی و نقش آن‌ها در تحلیل داده‌ها، پیشینه و چارچوب نظری پشتیبان زمینه‌های تصادفی، تحلیل الگوهای نقطه‌ای فضایی نقشه‌برداری‌شده، تخمین و مدل‌سازی تابع کوواریانس و نیم‌تغییرنما، یک بررسی جامع از تحلیل فضایی در دامنه طیفی، و پیش‌بینی فضایی و کریجینگ را معرفی می‌کند.

این مجلد همچنین یک تحلیل کامل از رگرسیون فضایی ارائه می‌دهد و توسعه مفصلی از مدل‌های خطی با خطاهای ناهمبسته، مدل‌های خطی با خطاهای همبسته فضایی و مدل‌های خطی مختلط تعمیم‌یافته برای داده‌های فضایی را ارائه می‌کند. به طور مختصر به مدل‌های سلسله مراتبی بیزی می‌پردازد و با بررسی‌هایی در مورد شبیه‌سازی زمینه‌های تصادفی، کوواریانس غیرایستا و فرآیندهای فضایی-زمانی به پایان می‌رسد. مطالب اضافی در وب‌سایت CRC Press محتوای این کتاب را تکمیل می‌کند. این سایت مجموعه‌داده‌هایی را که به عنوان مثال در متن استفاده شده‌اند، کد نرم‌افزاری که می‌تواند برای پیاده‌سازی بسیاری از روش‌های اصلی شرح‌داده‌شده و مصور استفاده شود، و به‌روزرسانی‌های متن را ارائه می‌دهد.

Understanding spatial statistics requires tools from applied and mathematical statistics, linear model theory, regression, time series, and stochastic processes. It also requires a mindset that focuses on the unique characteristics of spatial data and the development of specialized analytical tools designed explicitly for spatial data analysis. Statistical Methods for Spatial Data Analysis answers the demand for a text that incorporates all of these factors by presenting a balanced exposition that explores both the theoretical foundations of the field of spatial statistics as well as practical methods for the analysis of spatial data. This book is a comprehensive and illustrative treatment of basic statistical theory and methods for spatial data analysis, employing a model-based and frequentist approach that emphasizes the spatial domain. It introduces essential tools and approaches including: measures of autocorrelation and their role in data analysis; the background and theoretical framework supporting random fields; the analysis of mapped spatial point patterns; estimation and modeling of the covariance function and semivariogram; a comprehensive treatment of spatial analysis in the spectral domain; and spatial prediction and kriging. The volume also delivers a thorough analysis of spatial regression, providing a detailed development of linear models with uncorrelated errors, linear models with spatially-correlated errors and generalized linear mixed models for spatial data. It succinctly discusses Bayesian hierarchical models and concludes with reviews on simulating random fields, non-stationary covariance, and spatio-temporal processes. Additional material on the CRC Press website supplements the content of this book. The site provides data sets used as examples in the text, software code that can be used to implement many of the principal methods described and illustrated, and updates to the text itself.