Kcross.inhom与lohboot计算iso值不一致问题求助

以下是针对你遇到的Kcross.inhom直接计算结果与lohboot生成的bootstrap置信区间对应iso值不一致问题的排查和解决步骤：

1. 强制对齐r值序列 #

即使手动设置了r参数，仍需确保两个函数使用完全相同的r值数组：

• 先提取Kcross.inhom生成的r值：

  ck = Kcross.inhom(temp, i = 'crime', j = 'center', lambdaI = model.crime)
  r_exact = ck$r
  

• 再将该r值数组传入lohboot：

  ckenv = lohboot(temp, fun='Kcross.inhom', i='crime', j='center', 
                 lambdaI=model.crime, r=r_exact)
  

• 验证两者的r值是否完全一致：

  all.equal(ck$r, ckenv$r)
  

2. 固定强度模型的使用逻辑 #

lohboot默认可能在每次bootstrap迭代中重新拟合强度模型，这会导致与原Kcross.inhom使用固定模型的结果差异。需强制使用预拟合的model.crime来预测强度，而非重新拟合：

# 用预拟合模型生成强度预测函数
lambda_fixed = function(locs) predict(model.crime, locations=locs, type="lambda")

# 传入lohboot
ckenv = lohboot(temp, fun='Kcross.inhom', i='crime', j='center', 
               lambdaI=lambda_fixed, r=r_exact)

3. 统一边缘校正方法 #

确认两个函数使用的边缘校正参数一致（Kcross.inhom默认是"border"），避免因校正方法不同导致结果偏差：

ck = Kcross.inhom(temp, i='crime', j='center', lambdaI=model.crime, correction="border")
ckenv = lohboot(temp, fun='Kcross.inhom', i='crime', j='center', 
               lambdaI=lambda_fixed, r=r_exact, correction="border")

4. 消除bootstrap随机波动 #

26k行数据量较大，默认bootstrap迭代次数（通常100次）可能导致置信区间估计存在随机波动。增加迭代次数降低误差：

ckenv = lohboot(temp, fun='Kcross.inhom', i='crime', j='center', 
               lambdaI=lambda_fixed, r=r_exact, correction="border", nsim=500)

5. 验证数据缩放一致性 #

检查rescale(temp, 10000)后的缩放是否在两个函数中保持一致：

• 确认ck和ckenv结果中的r值单位是否统一（比如都是万米）
• 若lohboot内部对数据做了反向缩放，需手动同步缩放逻辑

内容的提问来源于stack exchange，提问作者palsi