A Family of Correlated Observations: From Independent to Strongly Interrelated Ones

Griffith, Daniel A.

doi:10.3390/stats3030014

Cited by 13 publications

(6 citation statements)

References 35 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…This third possibility is the correlated data source of interest in this piece. In his treatment of this data property, Griffith (2020) presents n* calculations for a wide variety of self-correlation issues, not just those for SA, expanding upon Griffith (2005). The ensuing discussion restricts attention to only SA situations.…”

Section: Effective Geographic Sample Sizementioning

confidence: 99%

Czy autokorelacja przestrzenna ma znaczenie w kontekście planowania i oceny zrównoważonego rozwoju regionalnego?

Griffith

2023

rrpr

Self Cite

View full text Add to dashboard Cite

Dążenie do osiągnięcia różnych wymiarów zrównoważonego rozwoju zobowiązuje władze społeczne do zaangażowania się w bardziej gruntowne monitorowanie zbiorowej podaży i popytu, m.in. w sferze ekonomicznej, szczególnie w kontekście geograficznym. W rezultacie, nakłady i wydajność na które ma to wpływ, jak również zasoby/towary/usługi do wykorzystania oraz generowane odpady, które występują i są oznaczone pośrednio lub bezpośrednio w przestrzeni geograficznej, są wyraźnymi nośnikami autokorelacji przestrzennej. Wykorzystanie tej prawie wszechobecnej właściwości danych georeferencyjnych pociąga za sobą możliwość wspierania wydajnych i skutecznych przedsięwzięć w zakresie zrównoważonego rozwoju. Losowy dobór próby metodą tesalacji warstwowej w celu monitorowania zanieczyszczenia środowiska nawiązuje do jednego z przykładów tego twierdzenia. Artykuł ilustruje ten przykład poprzez analizę jakości powietrza w Polsce w 2023 roku. W ten sposób struktura oparta na wyidealizowanych tesalacjach zostaje przełożona na strukturę polskich okręgów administracyjnych; to przekształcenie metodologiczne umożliwia organizacjom rządowym uczestniczenie w każdym planowanym monitorowaniu oraz jego nadzorowaniu bez dodatkowych komplikacji prawnych. Przypadkowe odkrycia naukowe obejmują wstępne rozszerzenie zbioru standardowych kształtów wielokątów (np. kwadratów i sześciokątów) o trapezy w celu pobrania próbek przestrzennych oraz ewentualność, że wpływ autokorelacji przestrzennej na statystyki oparte na projektach może mieć znaczną przewagę nad naruszeniem konwencjonalnego przykazania zrównoważonego losowego pobierania próbek. Wniosek jaki się nasuwa w trakcie analiz streszczonych w niniejszej publikacji dowodzi, że autokorelacja przestrzenna ma znaczenie w planowaniu i ocenie zrównoważonego rozwoju regionalnego.

show abstract

Section: Effective Geographic Sample Sizementioning

confidence: 99%

Czy autokorelacja przestrzenna ma znaczenie w kontekście planowania i oceny zrównoważonego rozwoju regionalnego?

Griffith

2023

rrpr

Self Cite

View full text Add to dashboard Cite

show abstract

“…When the variables are statistically independent, the sample size can be computed using well-known formulas derived for Gaussian random variables (Thompson, 2012). However, when the variables are correlated, this computation is not always an easy task (Shabenberger & Gotway, 2005), and deserves attention (Griffith, 2020).…”

Section: Introductionmentioning

confidence: 99%

The effective sample size for multivariate spatial processes with an application to soil contamination

Vallejos

Acosta

2021

Natural Resource Modeling

View full text Add to dashboard Cite

Effective sample size accounts for the equivalent number of independent observations contained in a sample of correlated data. This notion has been widely studied in the context of univariate spatial variables. In that case, the effective sample size determines the reduction in the sample size due to the existing spatial correlation. In this paper, we generalize the methodology for multivariate spatial variables to provide a common effective sample size when all variables have been measured at the same locations. Together with the definition, we provide examples to investigate what an effective sample size looks like. An application for a soil contamination data set is considered. To reduce the dimensions of the process, clustering techniques are applied to obtain three bivariate vectors that are modeled using coregionalization models. Because the sample size of the data set is moderate and the locations are very unevenly distributed in the study area, the spatial analysis is challenging and interesting. We find that due to the presence of spatial autocorrelation, the sample size can be reduced by 38.53%, avoiding the duplication of information.

show abstract

“…One of the complexities of spatial data arises from their being correlated data containing redundant or duplicate information (i.e., they are spatially autocorrelated; [ 10 ]). The SA latent in most geographically distributed socio-economic/demographic data is positive, and roughly ranges from 0.4 to 0.6 for provincial/state, county, and census tract resolutions across national and regional geographic landscapes studied to date.…”

Section: Introductionmentioning

confidence: 99%

Deeper Spatial Statistical Insights into Small Geographic Area Data Uncertainty

Griffith

Chun

Lee

2020

IJERPH

Self Cite

View full text Add to dashboard Cite

Small areas refer to small geographic areas, a more literal meaning of the phrase, as well as small domains (e.g., small sub-populations), a more figurative meaning of the phrase. With post-stratification, even with big data, either case can encounter the problem of small local sample sizes, which tend to inflate local uncertainty and undermine otherwise sound statistical analyses. This condition is the opposite of that afflicting statistical significance in the context of big data. These two definitions can also occur jointly, such as during the standardization of data: small geographic units may contain small populations, which in turn have small counts in various age cohorts. Accordingly, big spatial data can become not-so-big spatial data after post-stratification by geography and, for example, by age cohorts. This situation can be ameliorated to some degree by the large volume of and high velocity of big spatial data. However, the variety of any big spatial data may well exacerbate this situation, compromising veracity in terms of bias, noise, and abnormalities in these data. The purpose of this paper is to establish deeper insights into big spatial data with regard to their uncertainty through one of the hallmarks of georeferenced data, namely spatial autocorrelation, coupled with small geographic areas. Impacts of interest concern the nature, degree, and mixture of spatial autocorrelation. The cancer data employed (from Florida for 2001–2010) represent a data category that is beginning to enter the realm of big spatial data; its volume, velocity, and variety are increasing through the widespread use of digital medical records.

show abstract

A Family of Correlated Observations: From Independent to Strongly Interrelated Ones

Cited by 13 publications

References 35 publications

Czy autokorelacja przestrzenna ma znaczenie w kontekście planowania i oceny zrównoważonego rozwoju regionalnego?

Czy autokorelacja przestrzenna ma znaczenie w kontekście planowania i oceny zrównoważonego rozwoju regionalnego?

The effective sample size for multivariate spatial processes with an application to soil contamination

Deeper Spatial Statistical Insights into Small Geographic Area Data Uncertainty

Contact Info

Product

Resources

About