lme模型残差时间自相关性检验：变异函数方法的疑问求助

问题背景 #

我需要检查LME模型残差的时间自相关性。数据包含采样日期、分组信息和模型残差（E1），属于不规则间隔时间序列，同一采样日期存在多个观测值。我尝试用gstat::variogram来检验，将采样日期转为儒略日作为x坐标，用残差均值作为y坐标，按分组处理，但不确定操作是否正确，也不知道怎么解读结果。

现有代码分析 #

原代码存在几个关键问题：

• 分组变量笔误：代码中用group_by(age_class)，但实际分组列是group
• 变异函数公式错误：时间自相关分析不需要将jday和ones作为协变量，正确公式应聚焦残差本身的自相关
• 二维坐标冗余：时间序列的自相关只需一维时间坐标，无需构造无意义的y轴

原代码：

df_vario <- df %>%  
  mutate(jday = julian(.$date, origin = min(.$date)) + 1,
         jday = as.numeric(jday)) %>% 
  select(E1, jday, group) %>% 
  group_by(age_class) %>% 
  mutate(ones = mean(E1))

sp::coordinates(df_vario) <- c("jday", "ones")

v1 <- gstat::variogram(E1 ~ jday + ones,
                       data = df_vario[df_vario$group == "r1",]) %>% 
                       mutate(group = "r1")
v2 <- gstat::variogram(E1 ~ jday + ones,
                       data = df_vario[df_vario$group == "r2",]) %>% 
                       mutate(group = "r2")
v3 <- gstat::variogram(E1 ~ jday + ones,
                       data = df_vario[df_vario$group == "r3",]) %>% 
                       mutate(group = "r3")
mrg <- rbind(v1, v2, v3)

mrg %>% 
  ggplot() +
    geom_point(aes(x = dist, y = gamma)) +
    geom_smooth(aes(x = dist, y = gamma),
                se = FALSE,
                method = "loess") +
    facet_wrap(~group, scales = "free_y") +
    labs(x = "Julian Day", y = "Semi-variogram")

修正后的代码 #

library(tidyverse)
library(gstat)
library(sp)

# 数据预处理：转换儒略日，保留关键列
df_vario <- df %>%  
  mutate(jday = as.numeric(julian(date, origin = min(date))) + 1) %>% 
  select(E1, jday, group)

# 设置一维时间坐标（仅需儒略日即可）
sp::coordinates(df_vario) <- ~jday

# 批量计算各组变异函数，公式E1~1表示分析残差的自相关
vario_list <- map(unique(df_vario$group), function(g) {
  gstat::variogram(E1 ~ 1, data = df_vario[df_vario$group == g,]) %>% 
    mutate(group = g)
})
mrg <- bind_rows(vario_list)

# 可视化结果
mrg %>% 
  ggplot(aes(x = dist, y = gamma)) +
  geom_point() +
  geom_smooth(method = "loess", se = FALSE) +
  facet_wrap(~group, scales = "free_y") +
  labs(x = "时间间隔（儒略日差值）", y = "半变异函数值")

结果解读 #

半变异函数（gamma）与时间间隔（dist）的关系是判断时间自相关的核心：

• 显著自相关：gamma随时间间隔增大快速上升，之后趋于平稳。说明间隔近的残差相似度高，超过「变程」（上升阶段的长度）后相关性消失，平稳时的gamma值为「基台值」。
• 无自相关：gamma始终在0附近波动，无明显上升趋势，说明残差之间没有时间维度的关联。
• 结合你的结果图：
  • r1组：gamma先升后稳，存在显著时间自相关
  • r2组：gamma波动小，无明显上升，时间自相关性弱
  • r3组：gamma缓慢上升，存在一定程度的时间自相关

注意事项 #

• 同一日期多观测值：可以先按日期计算残差均值，再分析，避免同一时间点的重复值干扰距离计算
• 模型修正：如果存在显著时间自相关，建议在LME模型中加入时间相关结构（如nlme::corAR1）来优化模型

内容的提问来源于stack exchange，提问作者M.Teich