1 什么是时空扫描统计？

扫描统计学主要用于观测多个位置上时间序列数据或事件数据,检测数据集中的异常聚集， 在scanstatistics包(Benjamin Allévius 2023)主要能实现以下功能：

• 首先将研究区域划分为多个位置(位置点或网格)，观测每个位置上一段时间内的数据变化或事件发生情况。

• 然后从现在向过去延伸，在空间上选取若干位置，在时间上选取一定时间段,形成空间-时间聚集。每个聚集对应选定的位置集合和时间间隔。

• 对每个空间-时间聚集计算一个统计量,反映该聚集内观测到的数据或事件与预期值的差异。

• 报告统计量最大的几个空间-时间聚集，它们可能对应数据或事件的异常聚集。

• 重复这个过程,对不同的空间-时间聚集进行检验，找到研究区域内所有潜在的异常聚集。

# 使用扫描空间统计的常见步骤有：

1. 数据资料准备。 如事件数据、时间序列数据等。数据要包含空间位置信息和测量值或事件计数信息。

2. 设置研究区域和空间格网。根据数据空间范围设置研究区域，并在区域内划分网格。网格形状和大小根据具体研究目标确定，通常情况使用行政区划的地图。

3. 选取空间聚集的时间窗口。从当前时间向过去延伸，选择一个或几个时间窗口，如最近1周、2周等。

4. 在研究区域内，选择若干空间窗口和时间窗口组合，形成空间-时间聚集。每个聚集对应一组位置(空间窗口)和一段时间区间(时间窗口)。

5. 计算每个空间-时间聚集的观测值与预期值的差异，得到聚集的统计量。统计量可直接使用观测值与预期值的差异，或基于该差异计算s标准华的差异比值等。

6. 识别统计量最大的k个空间-时间聚集，作为潜在的异常聚集中心。k的选择根据研究目标确定，通常为3到5个。

7. 对k个异常聚集中心，进行进一步分析，如数据动态监测、空间相关探索等，判断聚集的显著性和可能原因。

8. 重复步骤4到步骤7，调整空间-时间聚集的设置，完成对整个研究区域的扫描检验，找到所有潜在异常聚集。

9. 根据扫描检验结果和进一步分析，得出研究结论，识别空间聚集模式以及影响因素。

# 示例：重庆市输入性疟疾时空聚集分析

# scanstatistics包中的主要函数

## 扫描统计函数

• scan_eb_poisson：最常用的函数， 基于Poisson分布模型期望值的扫描统计检测聚集时间(M. Kulldorff et al. 1998)。

• scan_pb_poisson: 基于总体值(M. Kulldorff 2010).

• scan_eb_negbin： 基于负二项分布模型。

• scan_eb_zip： 基于零膨胀Poission分布模型期望值。(B. Allévius and Hhle 2017)

• scan_permutation：基于时间-空间置换模型。(Martin Kulldorff et al. 2005)

• scan_bayes_negbin: 基于贝叶斯时空扩展模型。(Neill, Moore, and Cooper 2005)

## 数据集准备

# 加载相应的包
library(sp)
library(sf)
library(lubridate)
library(tidyverse)copy

nymap <- st_read("map/NYSCancer_region.dbf")copy

nymap %>% ggplot() +
  geom_sf() +
  geom_point(aes(y = LATITUDE, x = LONGITUDE), alpha = 0.2)copy