spatstat中带标记点数据的异质性置换检验方法问询

问题背景 #

参考《spatstatbook》第689页的青铜过滤器数据示例，我对自身数据开展了置换检验以判断空间异质性：

• 先去除标记信息，将100×150m的研究区域划分为6个象限（2个20×150m、4个15×150m）
• 运行两种检验后，通过kscaled和kinho的行为图像判断整体数据大致同质
• 局部检验结果为locTest(T=1.3437, p-value=0.225)、corrTest (T = 2.3059, p-value = 0.052)，同样支持整体数据呈homogeneous的结论

但我的数据包含多个标记（mark），如物种（sp）及多种功能性状，部分标记为分类变量，现咨询：是否需要针对每种mark类型（分类变量需针对每个level）分别进行置换检验，还是仅通过整体检验即可满足同质性假设要求？

专业解答 #

• 核心逻辑：无标记点的空间同质性，和标记变量的空间同质性是两个独立假设。你之前的检验只验证了点的位置分布是同质的，但标记信息（物种、性状）的空间分布可能存在异质性，二者不能混为一谈。
• 分类型处理标记变量：
  • 连续型功能性状：需要单独做标记的空间同质性检验（比如spatstat里的markvar.test），验证性状值在空间上是否随机分布，不存在局部聚集或梯度分异。
  • 分类变量（如物种）：无需对每个物种单独检验，而是检验标记类型的空间关联性——比如验证物种组成与空间象限是否独立，或者不同物种是否存在空间聚集/分离（可通过拟合带标记的点模式模型后做anova.ppm，或用置换检验验证分布独立性）。
• 为何不能仅依赖整体检验？举个例子：研究区点密度整体均匀，但某个物种只集中在特定象限，或者某个性状值从北到南逐渐升高，这类标记的空间异质性，无标记的整体检验完全检测不到，但会直接影响后续基于标记的分析结论。
• 决策依据：如果后续分析（如种间关联、性状空间格局）需要假设标记变量的空间分布同质，就必须针对每个标记（或分类变量的整体分布）做检验；如果仅关注点的空间分布本身，之前的整体检验就足够。

内容的提问来源于stack exchange，提问作者Tieygons