上下文是一个固定的空间随机过程（“随机场”）。想象一下——相当假设——这个过程的范围是无限的，你可以对点位置进行任意大的采样并观察那里的场值。考虑这样一个样本，其中所有点都比变异函数的范围更远：根据范围的定义，这意味着观察结果是不相关的。窗台估计如此大样本的方差。

因为基台是方差，所以它的测量单位是观察单位的平方：在这种情况下是人数。因此，是人数的平方。 当你取它的平方根时，它变得更容易解释：那是人。可以使用此数字的一种方法是，如果您对过程的整体平均值有一个合理（无偏且准确）的估计，那么 - 在我描述的各种大型空间稀疏样本中 - 您应该期望大多数观测值在的 2 或 3 倍以内。（参见68-95-99.7 规则$4300$$66$$66$$66$.)

从这个意义上说，在调整了间距更近的点之间可能的相关性后，基台会告诉您数据中的总体变化有多大。

作为在实践中如何使用基台的示例，请考虑将变异函数模型拟合到经验变异函数的问题。为此，通常选择一种模型类型（确定经验变异函数的可能形状），然后确定三个参数：块金、范围和基台。（约定各不相同：我在这里使用“sill”来表示变异函数的渐近水平，因此包括块金的任何贡献。）如果您首先计算数据的方差，不考虑它们的位置，并且如果您的变异函数形状是一个没有任何允许负相关的“洞效应”的典型模型，那么您将需要确保估计一个稍大的基台比方差。此初步估计使您可以专注于估计形状、块金和范围等更重要的问题，这些问题对克里金预测器的影响要大得多。

在这个特定的应用（群体）中，有两个重要的并发症需要解决。首先是人口不是一个点的函数，而是一个空间区域的函数。 除非这些区域的面积大致相同，否则变异函数将具有欺骗性，应采取措施实现“支持变化”。. 使用网格（如评论中所述）是解决此问题的一种方法，前提是可以在网格单元内准确估计人口（通常不是这种情况）。

第二个复杂因素是，不能期望这些数据是静止的：至少，我们预计它们的方差将与总体成正比（就像泊松随机场一样）。这可以通过各种特别的方式来处理，例如通过分析值的平方根，或者更正式地使用 Diggle & Ribeiro Jr. 在基于模型的地质统计学中描述的空间广义线性模型（提供免费R代码）。

来自维基百科：

$\hat{\gamma}(h):=\frac{1}{|N(h)|}\sum_{(i,j)\in N(h)} |z_i-z_j|^2$
其中表示一组观测值使得 和是集合中的对数。$N(h)$$i,\;j$$|x_i-x_j| = h$$|N(h)|$

你的门槛是你观察到的均方差，这些点之间的距离至少为。$\hat{\gamma} (h)$$z$$h \geq range$

维基百科继续说：

如果随机场是平稳和遍历的，则对应于场的方差。$\lim_{h\to \infty} \gamma_s(h) = var(Z(x))$

如果没有unit，值 4300 并不能说明太多。使用该单位，它可以告诉您在相距足够远的点之间 您可能会发现具有相同的单位标准偏差的估计）。 $z$
$\sqrt{sill}$$z$$Z$

在任何情况下（没有假设，即平均值可能存在差异），您可以将窗台视为表现得像均方差。