Comparación indices de Moran

I MORAN PARA DATOS DE CONDUCTIVIDAD ELECTRICA (CE) A 0.75 m en R y Geoda

library(readxl)
CE <- read_excel("/cloud/project/COMPUTACION Y ESTADISTICA/clase 15/BD_MODELADO.xlsx")

library(ape)  
CE.dists <- as.matrix(dist(cbind(CE$Avg_X_MCB, CE$Avg_Y_MCE)))

CE.dists.inv <- 1/CE.dists 
diag(CE.dists.inv) <- 0 
#CE.dists.inv[1:5, 1:5]
Moran.I(CE$Avg_CEa_07, CE.dists.inv) 

## $observed
## [1] 0.2687468
## 
## $expected
## [1] -0.003205128
## 
## $sd
## [1] 0.004665906
## 
## $p.value
## [1] 0

RTA: Como el valor-p es menor al nivel de significancia del 5%, “se rechaza la hipotesis nula” y por lo tanto podemos inferir que hay dependencia espacial entre los datos; es decir, los datos estan autocorrelacionados para la CE a 0,75 m

 knitr::include_graphics("/cloud/project/COMPUTACION Y ESTADISTICA/clase 13/ce75.png")

RTA: “Indice de Moran con valores 1 indican correlación perfecta”. Como el indice de moran es cercano a 1, se puede deducir que hay autocorrelación espacial.

I MORAN PARA DATOS DE CONDUCTIVIDAD ELECTRICA (CE) A 1.5 m en R y Geoda.

library(readxl)
CE <- read_excel("/cloud/project/COMPUTACION Y ESTADISTICA/clase 15/BD_MODELADO.xlsx")

library(ape) 
CE.dists <- as.matrix(dist(cbind(CE$Avg_X_MCB, CE$Avg_Y_MCE)))

CE.dists.inv <- 1/CE.dists 
diag(CE.dists.inv) <- 0
#CE.dists.inv[1:5, 1:5]
Moran.I(CE$Avg_CEa_15, CE.dists.inv) 

## $observed
## [1] 0.160951
## 
## $expected
## [1] -0.003205128
## 
## $sd
## [1] 0.00465455
## 
## $p.value
## [1] 0

RTA: Como el valor-p es menor al nivel de significancia del 5%, “se rechaza la hipotesis nula” y por lo tanto hay dependencia espacial entre los datos de CE a 1,50 m; es decir, los datos estan autocorrelacionados.

 knitr::include_graphics("/cloud/project/COMPUTACION Y ESTADISTICA/clase 13/ce150.png")

RTA: “Indice de Moran con valores 1 indican correlación perfecta”. Como el indice de moran es cercano a 1, se puede deducir que hay autocorrelación espacial.

I MORAN PARA DATOS DE NDVI en R y Geoda

library(readxl)
CE <- read_excel("/cloud/project/COMPUTACION Y ESTADISTICA/clase 15/BD_MODELADO.xlsx")

library(ape)
CE.dists <- as.matrix(dist(cbind(CE$Avg_X_MCB, CE$Avg_Y_MCE)))
CE.dists.inv <- 1/CE.dists
diag(CE.dists.inv) <- 0
#CE.dists.inv[1:5, 1:5]
Moran.I(CE$Avg_CEa_15, CE.dists.inv) 

## $observed
## [1] 0.160951
## 
## $expected
## [1] -0.003205128
## 
## $sd
## [1] 0.00465455
## 
## $p.value
## [1] 0

RTA: Como el valor-p es menor al nivel de significancia del 5%, “se rechaza la hipotesis nula” y por lo tanto hay dependencia espacial entre los datos de NDVI; es decir, los datos estan autocorrelacionados.

 knitr::include_graphics("/cloud/project/COMPUTACION Y ESTADISTICA/clase 13/NDVI.png")

RTA: “Indice de Moran con valores 1 indican correlación perfecta”. Como el indice de moran es cercano a 1, se puede deducir que hay autocorrelación espacial.