Это обсуждается в главе 15 книги spatstat .
Однако я думаю, вы можете спутать две разные вещи: (1) точечный образец, в котором каждая точка несет несколько разных переменных меток, так что метки для образца представлены фреймом данных с одной строкой для каждая точка и один столбец для каждой марки-переменной; и (2) шаблон отмеченных точек, в котором может быть несколько точек, которые имеют одинаковую пространственную координату, но разные значения отметок. Примером (1) является набор данных finpines в spatstat, в котором каждое местоположение дерева помечено высотой и диаметром дерева. Примером (2) может быть пространственная картина дорожно-транспортных происшествий, в которой каждое транспортное средство представлено точкой, так что аварии с участием двух транспортных средств представлены двумя точками в одном месте, возможно, с разными метками.
Чтобы справиться с (1), вы можете использовать такие функции, как Kmulti, Gmulti, Jmulti. Эти функции всегда сравнивают две группы точек, идентифицируемых аргументами I и J, которые могут быть логическими векторами. Вы можете определить любые два подмножества точечного рисунка как подмножества I и J. Например, в данных finpines вы можете определить I <- with(marks(finpines), height > 10 * diameter), который выберет все деревья, высота которых в метрах превышает диаметр в см более чем в 10 раз. и аналогичным образом создайте другое, отличное правило для J.
Другие способы исследования зависимости в паттернах отмеченных точек включают функцию корреляции отметок markcorr, корреляцию ближайшего соседа nncorr, условные моменты Emark, Vmark и другие инструменты, описанные в главе 15.
Наконец, предупреждение, что сводные функции не «определяют» зависимости; они всего лишь меры корреляции.