我正在使用二项式回归模型进行存在/不存在，并使用 20 个自变量进行测试。数据具有 x 和 y 坐标，我想了解如何考虑空间自相关。
我已经研究了变量之间的相关性，并为 1000 个不同的样本运行了相同的模型（我有一个允许我这样做的大数据集）以了解每个参数的分布并检查可能在我的模型中引入问题的变量。
glm_model <- glm(PA ~ Var1 + Var2 + Var3 + Var4 + Var5,family=binomial(link=logit))
但是我相信我还需要考虑空间自相关。我看到有一个包可以帮助我（spdep），但是我不确定我是否完全理解我是否可以使用我的模型。我的问题是我有什么选择？
如果您乐于假设您的二项式响应来自通过 logit 链接的空间相关高斯随机场，并且您的非空间协变量具有通常的对数线性形式，则将其全部填充到geoRglm：
http://cran.r-project.org/web/packages/geoRglm/vignettes/geoRglmintro.pdf
一旦你调整好你的 MCMC，就会弹出参数估计值。
在我看来，x，y 是模型中潜在的自变量。问题是您提到的二项式回归模型假设自变量不相关。有些人在他们的模型中添加交互项来处理这个问题，但是当你这样做时会丢失很多模型的可解释性。
对于分类问题，您有多种选择。您可以使用例如k-means clustering。您可以在此处找到 R 中分类方法的不错的备忘单。
我发现这个包的教程spdep非常有用。
最后，您会想要创建这样的空间权重：
us.nb4 <- knearneigh(coordinates(data[,1:2]), k=4)
us.nb4 <- knn2nb(us.nb4)
us.nb4 <- make.sym.nb(us.nb4)
us.wt4 <- nb2listw(us.nb4, style="W")
...您可以将其用于 Moran 特征向量过滤函数，以从（广义）线性模型的残差中消除空间自相关（如果您看到教程，它将是有意义的）。
同样的事情发生了，或者第一个问题。如果是分析我的工作。唯一的区别是我没有 xy 坐标..
但我想在二项式回归中包含空间依赖性......
我正在对正 /Negative 使用二项式回归模型，并使用 10 个自变量进行测试。数据没有 x 和 y 坐标，我想了解如何考虑空间自相关。
我已经研究了变量之间的相关性，并为 1500 个不同的样本运行了相同的模型（我有一个允许我这样做的大数据集）以了解每个参数的分布并检查可能在我的模型中引入问题的变量。
glm_model <- glm(PA ~ Var1 + Var2 + Var3 + Var4 + Var5,family=binomial(link=logit))
但是我相信我还需要考虑空间自相关。我看到有一个包可以帮助我（spdep），但是我不确定我是否完全理解我是否可以使用我的模型。我的问题是我有什么选择？