使用AIC对基于Poisson和Gibbs似然的点过程模型排序是否合理？

直接说结论：用AIC直接对比Poisson和Gibbs模型并不合理，原因和替代方案如下：

• 似然计算的基准不一致
  Poisson模型的似然是精确计算的，完全基于观测点和强度函数的对应关系；但Gibbs这类马尔可夫点过程，spatstat里默认用的是Besag伪似然——这个伪似然是忽略了归一化常数的近似值，和Poisson的精确似然不在同一度量尺度上。AIC的对比前提是所有模型的似然是同体系、可直接比较的，跨精确似然和伪似然比AIC，结果没有统计意义。

• 模型族本身差异太大
  Poisson是无交互的点过程，描述的是“点独立分布”的场景；Gibbs是带交互的，描述的是“点之间存在吸引/排斥”的过程。两者的生成机制完全不同，AIC虽然能权衡拟合度和复杂度，但只适合在同一类模型里选最优（比如不同协变量的Poisson模型之间，或者不同交互项的Gibbs模型之间），跨模型族对比容易得出错误结论。

• 给你几个可行的替代方法（结合spatstat操作）

  • 统一用伪似然计算：把所有Poisson模型也用伪似然拟合（spatstat的ppm函数对Poisson模型也支持伪似然模式），然后比较伪AIC（PAIC）——此时所有模型的似然基准统一了，对比才有意义。
  • 用交叉验证：把每个时期的研究区域分成训练和测试子集，用训练集拟合模型，然后计算测试集里观测点模式和模型预测强度的偏差（比如用predict.ppm生成预测强度，再和观测点的核密度对比），这种方法不依赖似然，更适合跨类型模型的性能对比。
  • 结合考古领域知识先做判断：先通过K函数、L函数分析各时期聚落的聚集/离散特征，如果明显有聚集，再考虑Gibbs模型；如果是随机或均匀分布，Poisson模型足够。先缩小候选模型范围，再在同类型里用AIC筛选，比盲目跨族对比靠谱。

内容的提问来源于stack exchange，提问作者A.M. Xenaki