Si la evaluación espacial de auto-correlación, es lo que usted está interesado, aquí es un papel que simula datos y evalúa los diferentes auto-regresivo de los modelos en R.
La autocorrelación espacial y la selección simultánea de modelos autorregresivos
por: W. D. Kissling, Carl G.
Mundial de la Ecología y la Biogeografía, Vol. 17, Nº 1. (Enero 2008), pp 59-71. PDF (disponible aquí)
Por desgracia no tienen el código en R se utiliza para generar los datos simulados, pero que sí tienen el código de cómo encajan cada uno de los modelos en el material complementario.
Sería sin duda ayuda, aunque si podría ser un poco más claro acerca de la naturaleza de los datos. Muchas de las técnicas para el análisis espacial probablemente no será implementado en los datos de mayor dimensión, y estoy seguro de que hay otras técnicas que son más adecuados. Algún tipo de K-vecinos más cercanos técnica podría ser útil, y asegúrese de cambiar su término de búsqueda de grumoso del clúster.
Algunas otras referencias que pueden ser útiles. Me imagino que el mejor de los recursos para la simulación de datos, de tal manera sería con paquetes en el programa R.
Sitios web le sugiero que visite el Spatstat paquete de R página, y la R Cran Vista de Tareas para datos espaciales. También me gustaría sugerir que usted echa un vistazo a la GeoDa centro de la página, y nunca se sabe el OpenSpace grupo de Google puede tener alguna información útil. También me he topado con este R lista de correo sobre datos de geo, pero no me he peinado el archivo mucho en este punto (pero estoy seguro que no hay datos útiles en allí).
Edit: Para aquellos interesados en la simulación de una pre-especifica la cantidad de espacio de auto-correlación en una distribución, recientemente me encontré con un papel que le da una bastante simple procedimiento recomendado (Dray, 2011, página 136);
He utilizado los siguientes pasos para obtener una muestra con un determinado
autocorrelación nivel de $\rho$: (1) generar un vector $y$ contiene 100 iid
aleatorias distribuidas normalmente valores, (2) calcular la inversa de la matriz de $(I - \rho{W})^{-1}$
y (3) premultiply el vector $y$ por la matriz obtenida en
(2) para obtener autocorrelated de datos en el vector $x$ (es decir, $x = (I - \rho{W})^{-1}y$ ).
La única cosa que no se definen aquí es que $W$ es un a priori, se define la matriz de ponderación espacial. No estoy seguro de cómo esto podría traducirse en multivariante caso, pero espero que sea útil a alguien!
Cita:
Dray, Stephane. 2011. Una nueva perspectiva acerca de Moran coeficiente de autocorrelación Espacial como una regresión lineal problema. Análisis Geográfico 43(2):127-141. (por desgracia no he venido a través de un público pdf del documento)
