A function to calculate the local Join Count tests.
local.jc.test.RdThis function calculates the local Join Count tests.This function
is a wrapper of local_joincount in rgeoda package.
Usage
local.jc.test(formula = NULL, data = NULL, fx = NULL, case = NULL, coor = NULL,
listw = listw, nsim = 999, control = list())Arguments
- formula
An (optional) formula with the factor included in
data- data
An (optional) data frame or a sf object containing the variable to testing for.
- fx
An (optional) factor of observations with the same length as the neighbours list in
listw- case
level of the factor used to obtain the local Join Count test. See details.
- coor
(optional) a 2xN vector with spatial coordinates. Used when *data* is not a spatial object.
- listw
A neighbourhood list (an object type knn, listw or nb).
- nsim
The number of permutation to obtain the local Join Count tests. Default value 999.
- control
Optional argument. See Control argument section.
Value
The output is an object of the class localjc local.SRQ A matrix with
nn | number of neighbourhood in the localization 'i'. |
ljc | local Join Count statistics. |
pseudo.value | p-value of local jc tests. |
Details
This test develop by Anselin and Li (2019) can be apply only for binary variables
(usually named B and W), and count the number of joins of type B-B where the proportion of
observations with B is lower than half. The interest lies in identifying co-occurrences of
uncommon events, i.e., situations where observations that take on the value of B constitute
much less than half of the sample.
The statistic is defined as:
$$BB_i = x_i \sum_j{w_{ij}x_j}$$
only meaningful for those observations where \(x_i=1\), since for \(x_i=0\) the result will always equal zero.
The object listw can be the class:
knn: Objects of the class knn that consider the neighbours in order of proximity.nb: If the neighbours are obtained from an sf object, the code internally will call the functionnb2nb_orderit will order them in order of proximity of the centroids.matrix: If a object of matrix class based in the inverse of the distance in introduced as argument, the functionnb2nb_orderwill also be called internally to transform the object the class matrix to a matrix of the class nb with ordered neighbours.
Control arguments
seedinit | Numerical value for the seed in boot version. Default value seedinit = 123 |
References
Anselin, L., and Li, X. (2019). Operational local join Count statistics for cluster detection. Journal of Geographical Systems, 21(2), 189-210.
Author
| Fernando López | fernando.lopez@upct.es |
| Román Mínguez | roman.minguez@uclm.es |
| Antonio Páez | paezha@gmail.com |
| Manuel Ruiz | manuel.ruiz@upct.es |
Examples
# Case 1: Local spatial runs test based on knn
library(lwgeom)
#> Linking to liblwgeom 3.0.0beta1 r16016, GEOS 3.8.0, PROJ 6.3.1
N <- 100
cx <- runif(N)
cy <- runif(N)
coor <- cbind(cx,cy)
listw <- spdep::knearneigh(coor, k = 4)
p <- c(1/2,1/2)
rho <- 0.5
fx <- dgp.spq(p = p, listw = listw, rho = rho)
ljc <- local.jc.test(fx = fx, coor = coor, case= "A", listw = listw)
print(ljc)
#> nn ljc pseudo.value
#> 1 4 0 NA
#> 2 4 1 0.053
#> 3 4 2 0.305
#> 4 4 0 NA
#> 5 4 0 NA
#> 6 4 3 0.314
#> 7 4 3 0.321
#> 8 4 2 0.316
#> 9 4 4 0.062
#> 10 4 3 0.321
#> 11 4 0 NA
#> 12 4 0 NA
#> 13 4 0 NA
#> 14 4 0 NA
#> 15 4 0 NA
#> 16 4 0 NA
#> 17 4 3 0.288
#> 18 4 0 NA
#> 19 4 2 0.289
#> 20 4 0 NA
#> 21 4 0 NA
#> 22 4 2 0.304
#> 23 4 0 NA
#> 24 4 0 NA
#> 25 4 0 NA
#> 26 4 0 NA
#> 27 4 0 NA
#> 28 4 0 NA
#> 29 4 0 NA
#> 30 4 0 NA
#> 31 4 0 NA
#> 32 4 0 NA
#> 33 4 2 0.302
#> 34 4 3 0.333
#> 35 4 1 0.057
#> 36 4 4 0.052
#> 37 4 0 NA
#> 38 4 4 0.069
#> 39 4 0 NA
#> 40 4 0 NA
#> 41 4 2 0.292
#> 42 4 0 NA
#> 43 4 0 NA
#> 44 4 0 NA
#> 45 4 0 NA
#> 46 4 1 0.053
#> 47 4 0 NA
#> 48 4 1 0.065
#> 49 4 3 0.317
#> 50 4 1 0.064
#> 51 4 2 0.294
#> 52 4 1 0.049
#> 53 4 4 0.056
#> 54 4 0 NA
#> 55 4 3 0.342
#> 56 4 1 0.050
#> 57 4 0 NA
#> 58 4 2 0.321
#> 59 4 3 0.303
#> 60 4 0 NA
#> 61 4 0 NA
#> 62 4 3 0.328
#> 63 4 0 NA
#> 64 4 0 NA
#> 65 4 0 NA
#> 66 4 0 NA
#> 67 4 2 0.327
#> 68 4 1 0.057
#> 69 4 3 0.311
#> 70 4 3 0.310
#> 71 4 0 NA
#> 72 4 1 0.051
#> 73 4 0 NA
#> 74 4 0 NA
#> 75 4 0 NA
#> 76 4 0 NA
#> 77 4 3 0.328
#> 78 4 1 0.065
#> 79 4 0 NA
#> 80 4 3 0.306
#> 81 4 0 NA
#> 82 4 1 0.051
#> 83 4 3 0.296
#> 84 4 0 NA
#> 85 4 2 0.281
#> 86 4 0 NA
#> 87 4 0 NA
#> 88 4 0 NA
#> 89 4 0 NA
#> 90 4 2 0.302
#> 91 4 2 0.287
#> 92 4 0 NA
#> 93 4 4 0.071
#> 94 4 3 0.312
#> 95 4 1 0.060
#> 96 4 0 NA
#> 97 4 0 NA
#> 98 4 2 0.311
#> 99 4 2 0.327
#> 100 4 0 NA
plot(ljc, coor = coor, sig = 0.1)
# \donttest{
# Case 2:Fastfood example. sf (points)
library(lwgeom)
data("FastFood.sf")
sf::sf_use_s2(FALSE)
x <- sf::st_coordinates(sf::st_centroid(FastFood.sf))
#> Warning: st_centroid assumes attributes are constant over geometries of x
#> Warning: bounding box has potentially an invalid value range for longlat data
#> Warning: st_centroid does not give correct centroids for longitude/latitude data
listw <- spdep::knearneigh(x, k = 6)
formula <- ~ Type
ljc <- local.jc.test(formula = formula, data = FastFood.sf, case = "H",listw = listw)
print(ljc)
#> nn ljc pseudo.value
#> 1 6 14 0.222
#> 2 6 13 0.411
#> 3 6 13 0.427
#> 4 6 10 0.079
#> 5 6 13 0.431
#> 6 6 13 0.456
#> 7 6 13 0.438
#> 8 6 14 0.234
#> 9 6 13 0.422
#> 10 6 11 0.185
#> 11 6 14 0.254
#> 12 6 12 0.359
#> 13 6 13 0.427
#> 14 6 14 0.253
#> 15 6 13 0.423
#> 16 6 13 0.469
#> 17 6 11 0.197
#> 18 6 12 0.354
#> 19 6 11 0.187
#> 20 6 14 0.236
#> 21 6 13 0.410
#> 22 6 13 0.439
#> 23 6 14 0.229
#> 24 6 14 0.233
#> 25 6 15 0.101
#> 26 6 13 0.451
#> 27 6 13 0.445
#> 28 6 11 0.204
#> 29 6 14 0.244
#> 30 6 14 0.240
#> 31 6 13 0.423
#> 32 6 12 0.359
#> 33 6 12 0.358
#> 34 6 13 0.465
#> 35 6 14 0.235
#> 36 6 14 0.265
#> 37 6 14 0.263
#> 38 6 14 0.254
#> 39 6 13 0.441
#> 40 6 16 0.028
#> 41 6 15 0.091
#> 42 6 12 0.371
#> 43 6 14 0.220
#> 44 6 12 0.355
#> 45 6 13 0.422
#> 46 6 12 0.374
#> 47 6 14 0.288
#> 48 6 13 0.449
#> 49 6 16 0.045
#> 50 6 14 0.250
#> 51 6 13 0.434
#> 52 6 11 0.193
#> 53 6 14 0.249
#> 54 6 12 0.355
#> 55 6 14 0.238
#> 56 6 13 0.463
#> 57 6 13 0.450
#> 58 6 14 0.252
#> 59 6 13 0.428
#> 60 6 14 0.259
#> 61 6 14 0.211
#> 62 6 11 0.177
#> 63 6 10 0.077
#> 64 6 11 0.163
#> 65 6 10 0.055
#> 66 6 10 0.068
#> 67 6 10 0.079
#> 68 6 16 0.051
#> 69 6 12 0.384
#> 70 6 12 0.379
#> 71 6 15 0.109
#> 72 6 11 0.190
#> 73 6 12 0.386
#> 74 6 15 0.131
#> 75 6 11 0.204
#> 76 6 10 0.095
#> 77 6 14 0.277
#> 78 6 14 0.253
#> 79 6 13 0.415
#> 80 6 14 0.243
#> 81 6 16 0.037
#> 82 6 13 0.420
#> 83 6 13 0.406
#> 84 6 12 0.367
#> 85 6 15 0.095
#> 86 6 11 0.171
#> 87 6 11 0.191
#> 88 6 13 0.427
#> 89 6 14 0.252
#> 90 6 14 0.240
#> 91 6 13 0.441
#> 92 6 15 0.122
#> 93 6 14 0.235
#> 94 6 16 0.036
#> 95 6 12 0.379
#> 96 6 12 0.364
#> 97 6 13 0.468
#> 98 6 12 0.384
#> 99 6 13 0.451
#> 100 6 13 0.437
#> 101 6 14 0.255
#> 102 6 13 0.438
#> 103 6 13 0.410
#> 104 6 13 0.413
#> 105 6 14 0.225
#> 106 6 13 0.423
#> 107 6 14 0.221
#> 108 6 13 0.434
#> 109 6 14 0.231
#> 110 6 12 0.357
#> 111 6 11 0.199
#> 112 6 14 0.243
#> 113 6 13 0.446
#> 114 6 13 0.421
#> 115 6 14 0.244
#> 116 6 12 0.364
#> 117 6 15 0.126
#> 118 6 11 0.180
#> 119 6 10 0.097
#> 120 6 13 0.449
#> 121 6 13 0.435
#> 122 6 14 0.277
#> 123 6 11 0.209
#> 124 6 13 0.417
#> 125 6 13 0.405
#> 126 6 15 0.099
#> 127 6 14 0.226
#> 128 6 13 0.414
#> 129 6 12 0.362
#> 130 6 13 0.435
#> 131 6 10 0.104
#> 132 6 9 0.032
#> 133 6 14 0.269
#> 134 6 11 0.177
#> 135 6 13 0.432
#> 136 6 11 0.202
#> 137 6 14 0.254
#> 138 6 13 0.432
#> 139 6 11 0.192
#> 140 6 14 0.254
#> 141 6 10 0.092
#> 142 6 13 0.451
#> 143 6 13 0.449
#> 144 6 12 0.365
#> 145 6 14 0.227
#> 146 6 14 0.209
#> 147 6 10 0.088
#> 148 6 12 0.331
#> 149 6 12 0.335
#> 150 6 13 0.416
#> 151 6 11 0.198
#> 152 6 16 0.038
#> 153 6 15 0.120
#> 154 6 13 0.447
#> 155 6 14 0.249
#> 156 6 11 0.200
#> 157 6 14 0.237
#> 158 6 16 0.034
#> 159 6 14 0.259
#> 160 6 11 0.189
#> 161 6 12 0.364
#> 162 6 12 0.379
#> 163 6 10 0.077
#> 164 6 12 0.370
#> 165 6 14 0.242
#> 166 6 15 0.088
#> 167 6 13 0.408
#> 168 6 12 0.348
#> 169 6 12 0.372
#> 170 6 12 0.342
#> 171 6 11 0.168
#> 172 6 12 0.361
#> 173 6 12 0.357
#> 174 6 14 0.273
#> 175 6 15 0.136
#> 176 6 11 0.222
#> 177 6 12 0.338
#> 178 6 13 0.432
#> 179 6 15 0.111
#> 180 6 14 0.246
#> 181 6 13 0.449
#> 182 6 12 0.374
#> 183 6 14 0.265
#> 184 6 12 0.369
#> 185 6 12 0.355
#> 186 6 14 0.235
#> 187 6 11 0.178
#> 188 6 13 0.421
#> 189 6 9 0.021
#> 190 6 14 0.239
#> 191 6 14 0.225
#> 192 6 12 0.337
#> 193 6 13 0.430
#> 194 6 11 0.206
#> 195 6 12 0.354
#> 196 6 13 0.432
#> 197 6 9 0.028
#> 198 6 13 0.430
#> 199 6 12 0.351
#> 200 6 12 0.348
#> 201 6 15 0.095
#> 202 6 13 0.443
#> 203 6 13 0.452
#> 204 6 15 0.116
#> 205 6 12 0.374
#> 206 6 13 0.435
#> 207 6 14 0.276
#> 208 6 14 0.217
#> 209 6 16 0.032
#> 210 6 13 0.413
#> 211 6 15 0.101
#> 212 6 12 0.333
#> 213 6 12 0.361
#> 214 6 14 0.256
#> 215 6 14 0.248
#> 216 6 13 0.437
#> 217 6 12 0.393
#> 218 6 14 0.241
#> 219 6 12 0.349
#> 220 6 15 0.114
#> 221 6 14 0.261
#> 222 6 13 0.459
#> 223 6 14 0.233
#> 224 6 13 0.451
#> 225 6 13 0.448
#> 226 6 12 0.393
#> 227 6 11 0.202
#> 228 6 10 0.080
#> 229 6 10 0.061
#> 230 6 14 0.226
#> 231 6 10 0.073
#> 232 6 11 0.183
#> 233 6 13 0.409
#> 234 6 11 0.179
#> 235 6 11 0.187
#> 236 6 11 0.173
#> 237 6 11 0.197
#> 238 6 13 0.423
#> 239 6 12 0.375
#> 240 6 13 0.402
#> 241 6 12 0.354
#> 242 6 12 0.358
#> 243 6 10 0.101
#> 244 6 12 0.350
#> 245 6 10 0.102
#> 246 6 12 0.346
#> 247 6 14 0.242
#> 248 6 12 0.360
#> 249 6 15 0.111
#> 250 6 11 0.184
#> 251 6 10 0.060
#> 252 6 12 0.362
#> 253 6 11 0.171
#> 254 6 12 0.345
#> 255 6 15 0.099
#> 256 6 14 0.243
#> 257 6 14 0.261
#> 258 6 12 0.355
#> 259 6 13 0.425
#> 260 6 12 0.379
#> 261 6 12 0.371
#> 262 6 11 0.188
#> 263 6 11 0.183
#> 264 6 10 0.082
#> 265 6 14 0.267
#> 266 6 10 0.095
#> 267 6 14 0.260
#> 268 6 12 0.359
#> 269 6 10 0.092
#> 270 6 12 0.372
#> 271 6 12 0.359
#> 272 6 12 0.342
#> 273 6 13 0.443
#> 274 6 12 0.358
#> 275 6 14 0.221
#> 276 6 16 0.025
#> 277 6 10 0.091
#> 278 6 9 0.041
#> 279 6 11 0.201
#> 280 6 13 0.448
#> 281 6 16 0.044
#> 282 6 14 0.234
#> 283 6 9 0.030
#> 284 6 10 0.082
#> 285 6 13 0.427
#> 286 6 10 0.088
#> 287 6 13 0.418
#> 288 6 12 0.374
#> 289 6 10 0.078
#> 290 6 12 0.371
#> 291 6 12 0.360
#> 292 6 14 0.252
#> 293 6 11 0.160
#> 294 6 13 0.424
#> 295 6 13 0.416
#> 296 6 15 0.110
#> 297 6 12 0.347
#> 298 6 13 0.425
#> 299 6 10 0.080
#> 300 6 13 0.437
#> 301 6 12 0.367
#> 302 6 9 0.024
#> 303 6 13 0.442
#> 304 6 11 0.196
#> 305 6 14 0.246
#> 306 6 13 0.419
#> 307 6 13 0.423
#> 308 6 11 0.211
#> 309 6 14 0.252
#> 310 6 14 0.267
#> 311 6 12 0.363
#> 312 6 12 0.348
#> 313 6 14 0.237
#> 314 6 17 0.006
#> 315 6 10 0.080
#> 316 6 12 0.350
#> 317 6 11 0.168
#> 318 6 14 0.235
#> 319 6 10 0.090
#> 320 6 14 0.259
#> 321 6 11 0.212
#> 322 6 13 0.431
#> 323 6 9 0.030
#> 324 6 12 0.339
#> 325 6 12 0.365
#> 326 6 13 0.423
#> 327 6 13 0.449
#> 328 6 11 0.204
#> 329 6 15 0.131
#> 330 6 11 0.189
#> 331 6 12 0.361
#> 332 6 13 0.449
#> 333 6 12 0.349
#> 334 6 13 0.424
#> 335 6 15 0.095
#> 336 6 9 0.022
#> 337 6 13 0.418
#> 338 6 12 0.346
#> 339 6 11 0.185
#> 340 6 10 0.108
#> 341 6 13 0.453
#> 342 6 12 0.364
#> 343 6 10 0.090
#> 344 6 12 0.348
#> 345 6 12 0.355
#> 346 6 14 0.255
#> 347 6 11 0.195
#> 348 6 12 0.371
#> 349 6 13 0.452
#> 350 6 12 0.378
#> 351 6 10 0.097
#> 352 6 12 0.376
#> 353 6 9 0.033
#> 354 6 15 0.094
#> 355 6 11 0.166
#> 356 6 12 0.358
#> 357 6 11 0.182
#> 358 6 16 0.019
#> 359 6 14 0.250
#> 360 6 13 0.429
#> 361 6 13 0.436
#> 362 6 15 0.111
#> 363 6 10 0.090
#> 364 6 9 0.027
#> 365 6 12 0.340
#> 366 6 11 0.200
#> 367 6 11 0.212
#> 368 6 10 0.088
#> 369 6 13 0.430
#> 370 6 13 0.453
#> 371 6 14 0.253
#> 372 6 13 0.426
#> 373 6 14 0.242
#> 374 6 11 0.193
#> 375 6 11 0.186
#> 376 6 13 0.421
#> 377 6 13 0.417
#> 378 6 13 0.425
#> 379 6 15 0.086
#> 380 6 11 0.184
#> 381 6 13 0.441
#> 382 6 14 0.256
#> 383 6 13 0.421
#> 384 6 14 0.252
#> 385 6 13 0.436
#> 386 6 12 0.349
#> 387 6 14 0.252
#> 388 6 13 0.434
#> 389 6 11 0.222
#> 390 6 10 0.083
#> 391 6 15 0.122
#> 392 6 11 0.182
#> 393 6 12 0.362
#> 394 6 12 0.360
#> 395 6 9 0.025
#> 396 6 13 0.397
#> 397 6 12 0.360
#> 398 6 12 0.361
#> 399 6 12 0.358
#> 400 6 14 0.224
#> 401 6 12 0.365
#> 402 6 11 0.209
#> 403 6 12 0.364
#> 404 6 16 0.033
#> 405 6 16 0.043
#> 406 6 12 0.357
#> 407 6 10 0.070
#> 408 6 13 0.436
#> 409 6 11 0.193
#> 410 6 13 0.451
#> 411 6 14 0.254
#> 412 6 13 0.414
#> 413 6 11 0.203
#> 414 6 12 0.367
#> 415 6 14 0.272
#> 416 6 9 0.032
#> 417 6 12 0.355
#> 418 6 14 0.200
#> 419 6 13 0.422
#> 420 6 13 0.419
#> 421 6 13 0.414
#> 422 6 12 0.341
#> 423 6 12 0.375
#> 424 6 13 0.442
#> 425 6 14 0.233
#> 426 6 11 0.195
#> 427 6 12 0.353
#> 428 6 12 0.365
#> 429 6 14 0.245
#> 430 6 10 0.087
#> 431 6 9 0.039
#> 432 6 8 0.006
#> 433 6 9 0.032
#> 434 6 13 0.431
#> 435 6 14 0.252
#> 436 6 11 0.181
#> 437 6 12 0.368
#> 438 6 15 0.098
#> 439 6 15 0.085
#> 440 6 14 0.227
#> 441 6 15 0.061
#> 442 6 11 0.198
#> 443 6 12 0.354
#> 444 6 10 0.104
#> 445 6 11 0.195
#> 446 6 13 0.437
#> 447 6 10 0.096
#> 448 6 14 0.252
#> 449 6 13 0.448
#> 450 6 9 0.026
#> 451 6 12 0.343
#> 452 6 13 0.415
#> 453 6 12 0.371
#> 454 6 14 0.266
#> 455 6 10 0.080
#> 456 6 13 0.447
#> 457 6 13 0.424
#> 458 6 11 0.171
#> 459 6 13 0.428
#> 460 6 12 0.353
#> 461 6 13 0.431
#> 462 6 10 0.053
#> 463 6 10 0.073
#> 464 6 13 0.424
#> 465 6 11 0.202
#> 466 6 13 0.458
#> 467 6 11 0.210
#> 468 6 12 0.376
#> 469 6 13 0.447
#> 470 6 12 0.339
#> 471 6 12 0.352
#> 472 6 12 0.352
#> 473 6 12 0.366
#> 474 6 11 0.197
#> 475 6 12 0.364
#> 476 6 11 0.196
#> 477 6 14 0.263
#> 478 6 17 0.011
#> 479 6 13 0.420
#> 480 6 12 0.369
#> 481 6 13 0.422
#> 482 6 10 0.070
#> 483 6 12 0.352
#> 484 6 14 0.215
#> 485 6 14 0.259
#> 486 6 14 0.284
#> 487 6 13 0.438
#> 488 6 13 0.432
#> 489 6 13 0.418
#> 490 6 13 0.434
#> 491 6 13 0.427
#> 492 6 11 0.188
#> 493 6 13 0.431
#> 494 6 13 0.414
#> 495 6 10 0.084
#> 496 6 13 0.439
#> 497 6 12 0.368
#> 498 6 14 0.266
#> 499 6 16 0.037
#> 500 6 13 0.418
#> 501 6 13 0.429
#> 502 6 11 0.193
#> 503 6 12 0.348
#> 504 6 11 0.163
#> 505 6 12 0.366
#> 506 6 13 0.418
#> 507 6 10 0.087
#> 508 6 12 0.385
#> 509 6 13 0.439
#> 510 6 13 0.435
#> 511 6 13 0.457
#> 512 6 14 0.252
#> 513 6 15 0.121
#> 514 6 13 0.458
#> 515 6 12 0.359
#> 516 6 13 0.458
#> 517 6 11 0.198
#> 518 6 13 0.427
#> 519 6 11 0.205
#> 520 6 9 0.029
#> 521 6 11 0.188
#> 522 6 10 0.069
#> 523 6 12 0.355
#> 524 6 12 0.370
#> 525 6 12 0.353
#> 526 6 11 0.178
#> 527 6 13 0.425
#> 528 6 13 0.438
#> 529 6 12 0.382
#> 530 6 13 0.434
#> 531 6 11 0.200
#> 532 6 12 0.370
#> 533 6 10 0.073
#> 534 6 9 0.031
#> 535 6 16 0.042
#> 536 6 14 0.275
#> 537 6 14 0.259
#> 538 6 13 0.439
#> 539 6 14 0.250
#> 540 6 15 0.106
#> 541 6 10 0.099
#> 542 6 13 0.407
#> 543 6 10 0.053
#> 544 6 15 0.089
#> 545 6 15 0.088
#> 546 6 13 0.440
#> 547 6 11 0.186
#> 548 6 13 0.426
#> 549 6 9 0.034
#> 550 6 12 0.352
#> 551 6 12 0.374
#> 552 6 13 0.449
#> 553 6 9 0.015
#> 554 6 13 0.426
#> 555 6 12 0.358
#> 556 6 9 0.033
#> 557 6 12 0.359
#> 558 6 12 0.367
#> 559 6 13 0.453
#> 560 6 12 0.366
#> 561 6 12 0.358
#> 562 6 9 0.033
#> 563 6 10 0.069
#> 564 6 10 0.049
#> 565 6 11 0.174
#> 566 6 12 0.363
#> 567 6 11 0.181
#> 568 6 12 0.355
#> 569 6 12 0.361
#> 570 6 10 0.102
#> 571 6 13 0.432
#> 572 6 10 0.093
#> 573 6 12 0.357
#> 574 6 13 0.423
#> 575 6 12 0.365
#> 576 6 11 0.197
#> 577 6 12 0.371
#> 578 6 12 0.342
#> 579 6 10 0.087
#> 580 6 11 0.206
#> 581 6 12 0.348
#> 582 6 12 0.360
#> 583 6 12 0.376
#> 584 6 11 0.169
#> 585 6 14 0.227
#> 586 6 11 0.158
#> 587 6 15 0.067
#> 588 6 14 0.232
#> 589 6 15 0.122
#> 590 6 12 0.376
#> 591 6 12 0.366
#> 592 6 13 0.428
#> 593 6 11 0.182
#> 594 6 11 0.195
#> 595 6 14 0.261
#> 596 6 12 0.368
#> 597 6 12 0.351
#> 598 6 12 0.376
#> 599 6 13 0.429
#> 600 6 15 0.121
#> 601 6 12 0.356
#> 602 6 12 0.376
#> 603 6 12 0.360
#> 604 6 12 0.364
#> 605 6 11 0.178
#> 606 6 12 0.368
#> 607 6 18 0.001
#> 608 6 13 0.416
#> 609 6 10 0.070
#> 610 6 13 0.419
#> 611 6 11 0.196
#> 612 6 10 0.099
#> 613 6 10 0.102
#> 614 6 9 0.043
#> 615 6 10 0.081
#> 616 6 11 0.195
#> 617 6 14 0.241
#> 618 6 12 0.364
#> 619 6 12 0.363
#> 620 6 13 0.437
#> 621 6 13 0.455
#> 622 6 11 0.202
#> 623 6 13 0.437
#> 624 6 15 0.126
#> 625 6 11 0.183
#> 626 6 12 0.356
#> 627 6 9 0.019
#> 628 6 13 0.428
#> 629 6 10 0.061
#> 630 6 15 0.114
#> 631 6 10 0.072
#> 632 6 13 0.457
#> 633 6 10 0.077
#> 634 6 12 0.363
#> 635 6 13 0.417
#> 636 6 14 0.234
#> 637 6 11 0.203
#> 638 6 11 0.185
#> 639 6 9 0.028
#> 640 6 14 0.237
#> 641 6 13 0.435
#> 642 6 11 0.209
#> 643 6 10 0.099
#> 644 6 12 0.378
#> 645 6 10 0.079
#> 646 6 10 0.063
#> 647 6 11 0.176
#> 648 6 13 0.422
#> 649 6 13 0.421
#> 650 6 14 0.210
#> 651 6 9 0.025
#> 652 6 14 0.260
#> 653 6 11 0.193
#> 654 6 13 0.415
#> 655 6 13 0.444
#> 656 6 12 0.376
#> 657 6 12 0.354
#> 658 6 12 0.385
#> 659 6 15 0.114
#> 660 6 13 0.452
#> 661 6 10 0.082
#> 662 6 11 0.210
#> 663 6 11 0.204
#> 664 6 13 0.425
#> 665 6 9 0.028
#> 666 6 9 0.030
#> 667 6 11 0.174
#> 668 6 9 0.023
#> 669 6 12 0.376
#> 670 6 13 0.405
#> 671 6 15 0.096
#> 672 6 12 0.371
#> 673 6 11 0.200
#> 674 6 15 0.112
#> 675 6 12 0.378
#> 676 6 10 0.091
#> 677 6 11 0.200
#> 678 6 10 0.063
#> 679 6 9 0.025
#> 680 6 12 0.361
#> 681 6 12 0.353
#> 682 6 12 0.358
#> 683 6 10 0.084
#> 684 6 10 0.088
#> 685 6 13 0.435
#> 686 6 8 0.005
#> 687 6 14 0.248
#> 688 6 10 0.071
#> 689 6 11 0.172
#> 690 6 13 0.414
#> 691 6 12 0.369
#> 692 6 9 0.020
#> 693 6 11 0.182
#> 694 6 14 0.229
#> 695 6 12 0.365
#> 696 6 10 0.096
#> 697 6 10 0.097
#> 698 6 11 0.189
#> 699 6 13 0.428
#> 700 6 11 0.197
#> 701 6 8 0.003
#> 702 6 11 0.192
#> 703 6 12 0.358
#> 704 6 11 0.208
#> 705 6 10 0.086
#> 706 6 12 0.371
#> 707 6 13 0.448
#> 708 6 8 0.005
#> 709 6 14 0.230
#> 710 6 12 0.347
#> 711 6 10 0.072
#> 712 6 12 0.382
#> 713 6 12 0.362
#> 714 6 10 0.066
#> 715 6 9 0.034
#> 716 6 13 0.430
#> 717 6 9 0.026
#> 718 6 11 0.196
#> 719 6 12 0.346
#> 720 6 10 0.076
#> 721 6 12 0.370
#> 722 6 10 0.088
#> 723 6 12 0.362
#> 724 6 13 0.452
#> 725 6 12 0.365
#> 726 6 11 0.203
#> 727 6 15 0.117
#> 728 6 12 0.368
#> 729 6 9 0.024
#> 730 6 8 0.005
#> 731 6 10 0.055
#> 732 6 11 0.165
#> 733 6 11 0.144
#> 734 6 12 0.378
#> 735 6 10 0.091
#> 736 6 9 0.035
#> 737 6 9 0.027
#> 738 6 10 0.089
#> 739 6 12 0.362
#> 740 6 10 0.077
#> 741 6 12 0.354
#> 742 6 9 0.023
#> 743 6 15 0.098
#> 744 6 12 0.356
#> 745 6 14 0.253
#> 746 6 8 0.007
#> 747 6 10 0.080
#> 748 6 11 0.194
#> 749 6 14 0.244
#> 750 6 16 0.027
#> 751 6 13 0.426
#> 752 6 11 0.179
#> 753 6 12 0.369
#> 754 6 12 0.358
#> 755 6 10 0.070
#> 756 6 12 0.368
#> 757 6 12 0.350
#> 758 6 13 0.441
#> 759 6 10 0.097
#> 760 6 13 0.451
#> 761 6 11 0.190
#> 762 6 9 0.032
#> 763 6 13 0.430
#> 764 6 13 0.416
#> 765 6 14 0.272
#> 766 6 12 0.375
#> 767 6 13 0.446
#> 768 6 15 0.109
#> 769 6 12 0.357
#> 770 6 12 0.368
#> 771 6 11 0.196
#> 772 6 10 0.074
#> 773 6 9 0.020
#> 774 6 11 0.184
#> 775 6 9 0.015
#> 776 6 11 0.186
#> 777 6 12 0.370
#> 778 6 11 0.201
#> 779 6 12 0.364
#> 780 6 10 0.095
#> 781 6 11 0.218
#> 782 6 10 0.078
#> 783 6 11 0.199
#> 784 6 11 0.178
#> 785 6 12 0.359
#> 786 6 10 0.084
#> 787 6 12 0.373
#> 788 6 10 0.086
#> 789 6 11 0.203
#> 790 6 14 0.268
#> 791 6 14 0.268
#> 792 6 12 0.363
#> 793 6 8 0.006
#> 794 6 11 0.181
#> 795 6 12 0.369
#> 796 6 10 0.058
#> 797 6 13 0.425
#> 798 6 11 0.193
#> 799 6 16 0.045
#> 800 6 11 0.227
#> 801 6 13 0.430
#> 802 6 12 0.369
#> 803 6 10 0.087
#> 804 6 11 0.207
#> 805 6 13 0.423
#> 806 6 10 0.076
#> 807 6 14 0.277
#> 808 6 11 0.208
#> 809 6 12 0.351
#> 810 6 9 0.028
#> 811 6 12 0.359
#> 812 6 11 0.201
#> 813 6 9 0.015
#> 814 6 12 0.364
#> 815 6 12 0.361
#> 816 6 12 0.375
#> 817 6 11 0.172
#> 818 6 12 0.368
#> 819 6 12 0.353
#> 820 6 11 0.181
#> 821 6 12 0.372
#> 822 6 13 0.436
#> 823 6 15 0.114
#> 824 6 13 0.409
#> 825 6 15 0.121
#> 826 6 10 0.100
#> 827 6 12 0.374
#> 828 6 15 0.104
#> 829 6 11 0.210
#> 830 6 14 0.263
#> 831 6 14 0.248
#> 832 6 13 0.437
#> 833 6 14 0.253
#> 834 6 10 0.068
#> 835 6 13 0.402
#> 836 6 11 0.193
#> 837 6 12 0.373
#> 838 6 12 0.338
#> 839 6 13 0.431
#> 840 6 10 0.089
#> 841 6 12 0.368
#> 842 6 14 0.247
#> 843 6 14 0.228
#> 844 6 12 0.355
#> 845 6 12 0.376
#> 846 6 13 0.438
#> 847 6 11 0.193
#> 848 6 13 0.452
#> 849 6 14 0.232
#> 850 6 11 0.212
#> 851 6 11 0.198
#> 852 6 13 0.441
#> 853 6 10 0.105
#> 854 6 10 0.085
#> 855 6 13 0.430
#> 856 6 14 0.211
#> 857 6 10 0.065
#> 858 6 9 0.025
#> 859 6 13 0.403
#> 860 6 13 0.427
#> 861 6 14 0.245
#> 862 6 12 0.385
#> 863 6 12 0.379
#> 864 6 11 0.177
#> 865 6 9 0.029
#> 866 6 13 0.423
#> 867 6 8 0.015
#> 868 6 13 0.438
#> 869 6 10 0.096
#> 870 6 14 0.255
#> 871 6 11 0.202
#> 872 6 11 0.201
#> 873 6 7 0.002
#> 874 6 12 0.360
#> 875 6 12 0.377
#> 876 6 9 0.021
#> 877 6 10 0.056
plot(ljc, sf = FastFood.sf, sig = 0.05)
#> Warning: bounding box has potentially an invalid value range for longlat data
# Case 3: With a sf object (poligons)
library(lwgeom)
fname <- system.file("shape/nc.shp", package="sf")
nc <- sf::st_read(fname)
#> Reading layer `nc' from data source
#> `/home/runner/work/_temp/Library/sf/shape/nc.shp' using driver `ESRI Shapefile'
#> Simple feature collection with 100 features and 14 fields
#> Geometry type: MULTIPOLYGON
#> Dimension: XY
#> Bounding box: xmin: -84.32385 ymin: 33.88199 xmax: -75.45698 ymax: 36.58965
#> Geodetic CRS: NAD27
listw <- spdep::poly2nb(as(nc,"Spatial"), queen = FALSE)
#> although coordinates are longitude/latitude, st_intersects assumes that they are planar
p <- c(1/3,2/3)
rho = 0.5
nc$fx <- dgp.spq(p = p, listw = listw, rho = rho)
plot(nc["fx"])
formula <- ~ fx
ljc <- local.jc.test(formula = formula, data = nc, case = "A", listw = listw)
ljc
#> nn ljc pseudo.value
#> 1 3 4 0.043
#> 2 3 5 0.240
#> 3 5 8 0.233
#> 4 2 2 0.001
#> 5 4 7 0.442
#> 6 3 6 0.305
#> 7 3 5 0.267
#> 8 5 8 0.210
#> 9 4 8 0.185
#> 10 3 5 0.276
#> 11 4 4 0.001
#> 12 4 5 0.011
#> 13 5 7 0.041
#> 14 4 4 0.001
#> 15 3 5 0.281
#> 16 6 12 0.084
#> 17 3 5 0.281
#> 18 8 12 0.092
#> 19 4 7 0.427
#> 20 3 6 0.258
#> 21 2 4 0.423
#> 22 5 9 0.471
#> 23 5 10 0.133
#> 24 5 8 0.200
#> 25 6 10 0.367
#> 26 5 7 0.034
#> 27 6 7 0.002
#> 28 5 9 0.445
#> 29 5 6 0.003
#> 30 5 6 0.003
#> 31 5 10 0.118
#> 32 3 6 0.274
#> 33 5 9 0.443
#> 34 6 11 0.345
#> 35 4 8 0.169
#> 36 6 11 0.330
#> 37 6 10 0.344
#> 38 3 5 0.246
#> 39 9 15 0.380
#> 40 5 9 0.415
#> 41 4 8 0.174
#> 42 6 10 0.330
#> 43 6 12 0.072
#> 44 5 10 0.116
#> 45 2 4 0.430
#> 46 6 12 0.073
#> 47 6 10 0.337
#> 48 8 11 0.020
#> 49 6 11 0.354
#> 50 5 10 0.116
#> 51 7 12 0.415
#> 52 5 9 0.422
#> 53 6 11 0.318
#> 54 6 11 0.319
#> 55 5 9 0.474
#> 56 2 3 0.116
#> 57 6 9 0.103
#> 58 4 4 0.001
#> 59 4 6 0.129
#> 60 3 6 0.305
#> 61 6 12 0.082
#> 62 6 11 0.344
#> 63 7 13 0.255
#> 64 4 7 0.443
#> 65 5 9 0.475
#> 66 4 6 0.111
#> 67 8 14 0.465
#> 68 5 9 0.437
#> 69 5 9 0.428
#> 70 6 10 0.344
#> 71 5 10 0.106
#> 72 4 8 0.195
#> 73 3 5 0.268
#> 74 6 9 0.089
#> 75 3 4 0.037
#> 76 3 4 0.049
#> 77 2 4 0.420
#> 78 5 7 0.047
#> 79 7 14 0.050
#> 80 2 3 0.112
#> 81 3 3 0.001
#> 82 6 12 0.099
#> 83 5 6 0.003
#> 84 4 7 0.421
#> 85 4 7 0.452
#> 86 4 8 0.183
#> 87 4 7 0.441
#> 88 6 9 0.117
#> 89 4 8 0.186
#> 90 2 3 0.122
#> 91 6 7 0.002
#> 92 3 5 0.282
#> 93 4 6 0.116
#> 94 5 9 0.466
#> 95 3 3 0.001
#> 96 5 9 0.446
#> 97 7 12 0.466
#> 98 4 8 0.183
#> 99 2 4 0.430
#> 100 3 5 0.264
plot(ljc, sf = nc)
# Case 4: With isolated areas
library(lwgeom)
data(provinces_spain)
sf::sf_use_s2(FALSE)
listw <- spdep::poly2nb(as(provinces_spain,"Spatial"), queen = FALSE)
#> although coordinates are longitude/latitude, st_intersects assumes that they are planar
provinces_spain$Male2Female <- factor(provinces_spain$Male2Female > 100)
levels(provinces_spain$Male2Female) = c("men","woman")
formula <- ~ Male2Female
ljc <- local.jc.test(formula = formula, data = provinces_spain, listw = listw)
#> The index of observations in SetNeighbor() function should start from 1.
#> The index of observations in SetNeighbor() function should start from 1.
#> The index of observations in SetNeighbor() function should start from 1.
print(ljc)
#> nn ljc pseudo.value
#> 1 5 6 0.209
#> 2 7 9 0.390
#> 3 3 4 0.398
#> 4 2 3 0.447
#> 5 6 8 0.465
#> 6 6 7 0.133
#> 7 0 0 NA
#> 8 3 4 0.404
#> 9 8 10 0.377
#> 10 4 6 0.289
#> 11 3 3 0.001
#> 12 3 4 0.377
#> 13 6 8 0.496
#> 14 6 6 0.001
#> 15 2 2 0.001
#> 16 7 10 0.222
#> 17 2 3 0.466
#> 18 6 8 0.483
#> 19 6 10 0.021
#> 20 3 3 0.001
#> 21 3 4 0.406
#> 22 4 4 0.001
#> 23 7 7 0.001
#> 24 5 6 0.226
#> 25 5 7 0.400
#> 26 5 5 0.001
#> 27 5 10 0.001
#> 28 4 4 0.001
#> 29 4 5 0.318
#> 30 5 6 0.190
#> 31 4 4 0.001
#> 32 3 3 0.001
#> 33 4 5 0.279
#> 34 0 0 NA
#> 35 3 3 0.001
#> 36 4 5 0.282
#> 37 0 0 NA
#> 38 5 6 0.176
#> 39 6 10 0.025
#> 40 5 5 0.001
#> 41 5 8 0.082
#> 42 6 8 0.460
#> 43 6 8 0.459
#> 44 5 7 0.420
#> 45 7 10 0.298
#> 46 4 5 0.266
#> 47 4 4 0.001
#> 48 8 13 0.024
#> 49 5 7 0.418
#> 50 3 3 0.001
plot(ljc, sf = provinces_spain, sig = 0.1)
# Case 5: Regular lattice
data(Boots.sf)
listw <- spdep::poly2nb(as(Boots.sf,"Spatial"), queen = TRUE)
formula <- ~ BW
ljc <- local.jc.test(formula = formula, data = Boots.sf, case="B", listw = listw)
print(ljc)
#> nn ljc pseudo.value
#> 1 3 6 0.423
#> 2 5 10 0.196
#> 3 5 9 0.394
#> 4 5 9 0.421
#> 5 5 7 0.019
#> 6 5 8 0.096
#> 7 5 8 0.117
#> 8 5 7 0.022
#> 9 5 9 0.388
#> 10 5 8 0.108
#> 11 5 9 0.385
#> 12 5 10 0.225
#> 13 5 8 0.122
#> 14 5 10 0.218
#> 15 5 9 0.397
#> 16 3 6 0.391
#> 17 5 10 0.200
#> 18 8 16 0.086
#> 19 8 15 0.331
#> 20 8 16 0.079
#> 21 8 12 0.030
#> 22 8 13 0.130
#> 23 8 12 0.029
#> 24 8 12 0.023
#> 25 8 14 0.369
#> 26 8 13 0.123
#> 27 8 15 0.345
#> 28 8 15 0.320
#> 29 8 14 0.347
#> 30 8 15 0.325
#> 31 8 15 0.353
#> 32 5 10 0.210
#> 33 5 10 0.208
#> 34 8 15 0.339
#> 35 8 14 0.357
#> 36 8 13 0.129
#> 37 8 12 0.032
#> 38 8 14 0.337
#> 39 8 14 0.330
#> 40 8 13 0.146
#> 41 8 13 0.135
#> 42 8 12 0.030
#> 43 8 14 0.334
#> 44 8 14 0.351
#> 45 8 14 0.335
#> 46 8 15 0.328
#> 47 8 16 0.091
#> 48 5 10 0.242
#> 49 5 10 0.211
#> 50 8 14 0.353
#> 51 8 15 0.350
#> 52 8 13 0.145
#> 53 8 15 0.351
#> 54 8 14 0.373
#> 55 8 15 0.335
#> 56 8 14 0.362
#> 57 8 14 0.366
#> 58 8 13 0.118
#> 59 8 13 0.131
#> 60 8 14 0.340
#> 61 8 15 0.328
#> 62 8 15 0.319
#> 63 8 16 0.074
#> 64 5 10 0.215
#> 65 5 9 0.392
#> 66 8 13 0.129
#> 67 8 13 0.129
#> 68 8 11 0.008
#> 69 8 13 0.112
#> 70 8 14 0.373
#> 71 8 16 0.084
#> 72 8 15 0.347
#> 73 8 14 0.369
#> 74 8 13 0.133
#> 75 8 13 0.120
#> 76 8 12 0.035
#> 77 8 13 0.135
#> 78 8 15 0.305
#> 79 8 16 0.084
#> 80 5 10 0.210
#> 81 5 9 0.387
#> 82 8 15 0.353
#> 83 8 12 0.032
#> 84 8 12 0.033
#> 85 8 13 0.132
#> 86 8 13 0.116
#> 87 8 15 0.341
#> 88 8 15 0.329
#> 89 8 15 0.329
#> 90 8 14 0.334
#> 91 8 12 0.034
#> 92 8 14 0.330
#> 93 8 14 0.332
#> 94 8 15 0.318
#> 95 8 14 0.368
#> 96 5 8 0.123
#> 97 5 8 0.129
#> 98 8 14 0.361
#> 99 8 11 0.003
#> 100 8 12 0.021
#> 101 8 12 0.028
#> 102 8 13 0.134
#> 103 8 16 0.084
#> 104 8 15 0.321
#> 105 8 15 0.320
#> 106 8 16 0.081
#> 107 8 13 0.119
#> 108 8 15 0.346
#> 109 8 14 0.356
#> 110 8 15 0.322
#> 111 8 15 0.350
#> 112 5 9 0.389
#> 113 5 9 0.394
#> 114 8 15 0.339
#> 115 8 12 0.026
#> 116 8 12 0.034
#> 117 8 11 0.006
#> 118 8 11 0.005
#> 119 8 13 0.123
#> 120 8 14 0.354
#> 121 8 15 0.305
#> 122 8 15 0.351
#> 123 8 13 0.126
#> 124 8 14 0.344
#> 125 8 13 0.130
#> 126 8 14 0.336
#> 127 8 13 0.134
#> 128 5 8 0.107
#> 129 5 8 0.123
#> 130 8 12 0.038
#> 131 8 12 0.039
#> 132 8 11 0.001
#> 133 8 12 0.025
#> 134 8 11 0.005
#> 135 8 13 0.126
#> 136 8 13 0.122
#> 137 8 14 0.374
#> 138 8 13 0.133
#> 139 8 13 0.147
#> 140 8 15 0.352
#> 141 8 14 0.357
#> 142 8 16 0.077
#> 143 8 15 0.325
#> 144 5 10 0.205
#> 145 5 8 0.104
#> 146 8 13 0.142
#> 147 8 13 0.112
#> 148 8 10 0.002
#> 149 8 10 0.001
#> 150 8 8 0.001
#> 151 8 11 0.003
#> 152 8 12 0.024
#> 153 8 14 0.349
#> 154 8 13 0.135
#> 155 8 13 0.104
#> 156 8 14 0.348
#> 157 8 14 0.341
#> 158 8 15 0.340
#> 159 8 15 0.349
#> 160 5 10 0.224
#> 161 5 9 0.403
#> 162 8 13 0.129
#> 163 8 13 0.139
#> 164 8 13 0.135
#> 165 8 11 0.006
#> 166 8 10 0.002
#> 167 8 11 0.004
#> 168 8 12 0.034
#> 169 8 12 0.032
#> 170 8 13 0.124
#> 171 8 13 0.129
#> 172 8 15 0.356
#> 173 8 15 0.349
#> 174 8 15 0.332
#> 175 8 15 0.340
#> 176 5 10 0.224
#> 177 5 7 0.014
#> 178 8 13 0.141
#> 179 8 14 0.341
#> 180 8 14 0.347
#> 181 8 12 0.041
#> 182 8 13 0.123
#> 183 8 11 0.009
#> 184 8 13 0.122
#> 185 8 11 0.009
#> 186 8 12 0.025
#> 187 8 13 0.118
#> 188 8 15 0.343
#> 189 8 15 0.351
#> 190 8 16 0.064
#> 191 8 15 0.310
#> 192 5 10 0.212
#> 193 5 9 0.386
#> 194 8 14 0.337
#> 195 8 14 0.348
#> 196 8 15 0.336
#> 197 8 14 0.360
#> 198 8 14 0.335
#> 199 8 11 0.004
#> 200 8 13 0.113
#> 201 8 12 0.030
#> 202 8 14 0.365
#> 203 8 15 0.348
#> 204 8 15 0.320
#> 205 8 15 0.352
#> 206 8 15 0.323
#> 207 8 15 0.311
#> 208 5 10 0.220
#> 209 5 8 0.103
#> 210 8 13 0.123
#> 211 8 15 0.353
#> 212 8 15 0.340
#> 213 8 15 0.342
#> 214 8 15 0.363
#> 215 8 12 0.034
#> 216 8 13 0.116
#> 217 8 11 0.002
#> 218 8 12 0.035
#> 219 8 13 0.137
#> 220 8 15 0.346
#> 221 8 16 0.096
#> 222 8 16 0.076
#> 223 8 16 0.089
#> 224 5 10 0.220
#> 225 5 10 0.199
#> 226 8 15 0.341
#> 227 8 15 0.327
#> 228 8 14 0.371
#> 229 8 14 0.357
#> 230 8 13 0.138
#> 231 8 14 0.340
#> 232 8 14 0.352
#> 233 8 14 0.356
#> 234 8 16 0.079
#> 235 8 15 0.340
#> 236 8 16 0.085
#> 237 8 16 0.088
#> 238 8 16 0.082
#> 239 8 16 0.079
#> 240 5 10 0.219
#> 241 3 6 0.403
#> 242 5 10 0.208
#> 243 5 10 0.234
#> 244 5 9 0.394
#> 245 5 10 0.207
#> 246 5 8 0.116
#> 247 5 9 0.388
#> 248 5 9 0.398
#> 249 5 9 0.391
#> 250 5 9 0.407
#> 251 5 9 0.374
#> 252 5 10 0.206
#> 253 5 10 0.210
#> 254 5 10 0.205
#> 255 5 10 0.216
#> 256 3 6 0.412
plot(ljc, sf = Boots.sf, sig = 0.05)
lsr <- local.sp.runs.test(formula = formula, data = Boots.sf,
distr = "bootstrap", nsim= 99, listw = listw)
#> Warning: st_centroid assumes attributes are constant over geometries of x
print(lsr)
#> SRQ EP.i SdP.i zseudo.value pseudo.value
#> 1 1 2.070707 0.9715601 -1.102049207 0.270440280
#> 2 1 2.676768 1.2843507 -1.305537218 0.191709982
#> 3 2 2.707071 1.1715377 -0.603540735 0.546149025
#> 4 3 2.727273 1.2763003 0.213685815 0.830792074
#> 5 2 2.959596 1.2282324 -0.781282048 0.434636626
#> 6 4 2.787879 1.2394265 0.977969399 0.328089459
#> 7 4 2.979798 1.2615167 0.808710657 0.418681597
#> 8 6 2.797980 1.2204031 2.623739897 0.008697017
#> 9 4 2.909091 1.2296582 0.887164467 0.374990360
#> 10 5 2.949495 1.3429615 1.526853160 0.126797529
#> 11 3 2.959596 1.3546533 0.029826112 0.976205734
#> 12 2 2.686869 1.1662469 -0.588956474 0.555890472
#> 13 5 3.000000 1.2205720 1.638576061 0.101301581
#> 14 2 3.050505 1.3429615 -0.782230191 0.434079305
#> 15 3 3.101010 1.2330065 -0.081921789 0.934708907
#> 16 1 2.141414 0.9584224 -1.190930164 0.233681002
#> 17 1 2.909091 1.2784789 -1.493251769 0.135371295
#> 18 1 3.858586 1.6963953 -1.685094143 0.091970409
#> 19 3 3.565657 1.5854029 -0.356790418 0.721248710
#> 20 2 3.808081 1.6392928 -1.102963899 0.270042843
#> 21 6 3.949495 1.7459793 1.174415460 0.240228656
#> 22 7 4.060606 1.6525687 1.778681844 0.075291937
#> 23 5 4.202020 1.7260300 0.462320933 0.643851191
#> 24 6 3.909091 1.6168179 1.293224837 0.195933308
#> 25 6 4.171717 1.5455030 1.182969409 0.236821271
#> 26 5 3.989899 1.6751177 0.603003000 0.546506694
#> 27 2 4.232323 1.6526311 -1.350769253 0.176769360
#> 28 3 4.090909 1.5259049 -0.714925982 0.474654781
#> 29 4 3.909091 1.5720188 0.057829520 0.953884424
#> 30 3 3.868687 1.5691312 -0.553610090 0.579845719
#> 31 3 4.080808 1.5231330 -0.709595357 0.477955100
#> 32 1 2.838384 1.2347607 -1.488858345 0.136524675
#> 33 1 2.919192 1.2178667 -1.575863674 0.115057224
#> 34 3 3.858586 1.5908546 -0.539701022 0.589403235
#> 35 4 4.000000 1.7554580 0.000000000 1.000000000
#> 36 5 3.929293 1.4931990 0.717055826 0.473339651
#> 37 6 3.969697 1.6064573 1.263838789 0.206287896
#> 38 6 3.979798 1.6097902 1.254947406 0.209497853
#> 39 5 4.161616 1.5953189 0.525527442 0.599216582
#> 40 4 3.989899 1.2575888 0.008032045 0.993591424
#> 41 8 4.070707 1.5534854 2.529340132 0.011427722
#> 42 5 3.989899 1.6319198 0.618964860 0.535939509
#> 43 3 4.171717 1.4641317 -0.800281252 0.423547863
#> 44 5 3.959596 1.6408011 0.634082955 0.526026686
#> 45 5 3.878788 1.6798489 0.667448190 0.504485893
#> 46 3 3.878788 1.5989329 -0.549608995 0.582587588
#> 47 1 3.909091 1.6604088 -1.752032956 0.079768141
#> 48 1 2.848485 1.2565229 -1.471111186 0.141261050
#> 49 1 2.898990 1.3362676 -1.421114931 0.155283350
#> 50 5 4.030303 1.5013908 0.645865791 0.518366276
#> 51 4 4.010101 1.6319198 -0.006189649 0.995061406
#> 52 7 3.929293 1.5988039 1.920627681 0.054778663
#> 53 3 4.030303 1.6000928 -0.643902063 0.519638944
#> 54 5 4.232323 1.5960940 0.480972161 0.630536285
#> 55 3 3.929293 1.4725552 -0.631075097 0.527991423
#> 56 4 4.212121 1.6491973 -0.128620886 0.897657639
#> 57 4 3.848485 1.4594075 0.103819636 0.917312483
#> 58 6 4.111111 1.7431434 1.083610757 0.278537419
#> 59 3 4.333333 1.7320508 -0.769800359 0.441418327
#> 60 6 4.191919 1.5096747 1.197662520 0.231048426
#> 61 2 4.171717 1.7556928 -1.236957380 0.216102906
#> 62 3 3.979798 1.7436754 -0.561915341 0.574173701
#> 63 1 3.919192 1.6205112 -1.801401901 0.071639557
#> 64 1 2.858586 1.2122681 -1.533147568 0.125239500
#> 65 3 3.040404 1.2447374 -0.032459890 0.974105302
#> 66 4 3.959596 1.4632867 0.027611841 0.977971737
#> 67 6 4.212121 1.5861179 1.127204229 0.259656143
#> 68 6 4.272727 1.7309793 0.997858670 0.318347896
#> 69 7 4.090909 1.6231169 1.792286789 0.073087038
#> 70 3 4.414141 1.4846844 -0.952486206 0.340850458
#> 71 1 4.131313 1.5296156 -2.047124263 0.040645885
#> 72 2 4.252525 1.5736571 -1.431395235 0.152316973
#> 73 4 4.050505 1.5277951 -0.033057476 0.973628753
#> 74 3 4.050505 1.6374055 -0.641566837 0.521154471
#> 75 5 4.050505 1.6059439 0.591237925 0.554361015
#> 76 6 4.080808 1.7535781 1.094443380 0.273760567
#> 77 3 4.181818 1.6435628 -0.719058728 0.472104735
#> 78 3 4.090909 1.4783534 -0.737921728 0.460562015
#> 79 1 4.171717 1.6101743 -1.969797402 0.048861594
#> 80 1 2.878788 1.2476323 -1.505882727 0.132097281
#> 81 3 2.777778 1.2580805 0.176635938 0.859794363
#> 82 3 4.191919 1.7183094 -0.693658087 0.487896656
#> 83 7 4.080808 1.4685601 1.987791951 0.046834704
#> 84 8 4.242424 1.8410895 2.040952297 0.041255569
#> 85 4 4.050505 1.5738536 -0.032090057 0.974400233
#> 86 5 4.373737 1.5358695 0.407757712 0.683451563
#> 87 3 4.282828 1.4288600 -0.897798443 0.369293015
#> 88 3 4.070707 1.5000172 -0.713796539 0.475353000
#> 89 3 4.141414 1.5584536 -0.732401756 0.463923387
#> 90 4 4.040404 1.4977479 -0.026976529 0.978478454
#> 91 5 4.353535 1.4379203 0.449583072 0.653011097
#> 92 6 4.141414 1.4777955 1.257674575 0.208509471
#> 93 5 4.363636 1.6316671 0.390008244 0.696530451
#> 94 3 3.929293 1.4725552 -0.631075097 0.527991423
#> 95 5 4.070707 1.4725552 0.631075097 0.527991423
#> 96 4 2.909091 1.2379287 0.881237399 0.378189341
#> 97 2 2.909091 1.1960045 -0.760106609 0.447190863
#> 98 5 4.000000 1.5518258 0.644402233 0.519314637
#> 99 4 4.272727 1.7012491 -0.160310014 0.872636871
#> 100 5 4.171717 1.5846226 0.522700389 0.601182767
#> 101 4 3.919192 1.4823917 0.054511964 0.956527277
#> 102 7 4.060606 1.4833648 1.981571888 0.047527176
#> 103 2 3.939394 1.5374122 -1.261466445 0.207140842
#> 104 3 4.141414 1.6721616 -0.682597975 0.494860914
#> 105 3 3.767677 1.5832560 -0.484872159 0.627767033
#> 106 2 3.979798 1.4706641 -1.346193140 0.178240237
#> 107 6 4.363636 1.5678827 1.043677362 0.296634687
#> 108 4 4.030303 1.4030182 -0.021598458 0.982768263
#> 109 5 4.202020 1.5712974 0.507847723 0.611560139
#> 110 3 4.101010 1.4742341 -0.746835300 0.455162984
#> 111 4 4.101010 1.5485012 -0.065230881 0.947990174
#> 112 2 2.959596 1.2198962 -0.786620983 0.431503772
#> 113 3 2.919192 1.1665120 0.069273250 0.944772118
#> 114 4 4.121212 1.6919541 -0.071640312 0.942888158
#> 115 4 4.181818 1.6620840 -0.109391693 0.912891822
#> 116 5 4.141414 1.4569335 0.589310273 0.555653155
#> 117 7 4.141414 1.4708744 1.943460225 0.051960577
#> 118 4 3.979798 1.6535663 0.012217242 0.990252294
#> 119 7 4.181818 1.8259112 1.543438583 0.122724398
#> 120 3 4.050505 1.6311617 -0.644022628 0.519560761
#> 121 2 3.919192 1.6142021 -1.188941556 0.234462666
#> 122 3 4.111111 1.5510950 -0.716339820 0.473781545
#> 123 4 4.151515 1.5410283 -0.098320813 0.921677552
#> 124 5 4.212121 1.5989329 0.492752892 0.622187200
#> 125 3 4.212121 1.4587717 -0.830919068 0.406019351
#> 126 4 4.151515 1.4733250 -0.102838922 0.918090814
#> 127 6 4.050505 1.6311617 1.195157378 0.232025548
#> 128 3 2.818182 1.1460993 0.158640863 0.873951832
#> 129 2 2.989899 1.3286094 -0.745063943 0.456233065
#> 130 5 4.121212 1.5666989 0.560916891 0.574854194
#> 131 7 4.181818 1.5476357 1.820959430 0.068613024
#> 132 7 4.131313 1.6515081 1.737010517 0.082385314
#> 133 8 4.101010 1.5016654 2.596443857 0.009419430
#> 134 4 4.212121 1.6429983 -0.129106167 0.897273643
#> 135 4 3.929293 1.7452707 0.040513526 0.967683724
#> 136 5 4.111111 1.9160381 0.463920269 0.642704870
#> 137 5 3.616162 1.5889097 0.870935817 0.383789199
#> 138 5 3.858586 1.7143458 0.665801565 0.505537945
#> 139 5 4.010101 1.7231612 0.574466836 0.565651936
#> 140 4 3.939394 1.7191489 0.035253525 0.971877582
#> 141 5 4.151515 1.4733250 0.575897964 0.564684152
#> 142 2 4.222222 1.4537464 -1.528617492 0.126359297
#> 143 3 4.131313 1.6821176 -0.672552929 0.501231757
#> 144 1 2.949495 1.1725930 -1.662550457 0.096402455
#> 145 3 2.949495 1.2320030 0.040994260 0.967300472
#> 146 7 4.111111 1.5771900 1.831668259 0.067000860
#> 147 6 4.050505 1.4024304 1.390083229 0.164503605
#> 148 4 4.050505 1.6804624 -0.030054258 0.976023781
#> 149 5 3.767677 1.6024744 0.769012751 0.441885741
#> 150 1 4.121212 1.6053020 -1.944314632 0.051857521
#> 151 4 3.898990 1.5352654 0.065793251 0.947542429
#> 152 5 4.131313 1.4044133 0.618540742 0.536218950
#> 153 6 3.858586 1.3477881 1.588835956 0.112097433
#> 154 2 3.969697 1.5283347 -1.288786370 0.197472366
#> 155 7 4.141414 1.6660481 1.715788289 0.086200798
#> 156 3 4.080808 1.7123606 -0.631180174 0.527922724
#> 157 4 4.262626 1.5225238 -0.172494027 0.863049157
#> 158 3 3.898990 1.4321024 -0.627741346 0.530173396
#> 159 3 4.181818 1.6559333 -0.713687077 0.475420699
#> 160 1 2.818182 1.2068143 -1.506596190 0.131914195
#> 161 3 3.050505 1.2320030 -0.040994260 0.967300472
#> 162 6 3.949495 1.4454273 1.418615184 0.156011237
#> 163 3 4.020202 1.4913341 -0.684086815 0.493920347
#> 164 7 3.909091 1.5524234 1.991021909 0.046478479
#> 165 5 4.070707 1.5336533 0.605934175 0.544558464
#> 166 3 4.202020 1.6535663 -0.726925908 0.467271345
#> 167 4 4.030303 1.6870125 -0.017962541 0.985668737
#> 168 6 4.141414 1.5714942 1.182687091 0.236933182
#> 169 6 4.111111 1.4769583 1.278904662 0.200930631
#> 170 5 4.292929 1.4374902 0.491878629 0.622805147
#> 171 5 4.191919 1.5364734 0.525932199 0.598935316
#> 172 3 3.828283 1.6164991 -0.512392990 0.608375996
#> 173 3 4.080808 1.6205112 -0.666955029 0.504800859
#> 174 3 4.181818 1.6185382 -0.730176248 0.465282459
#> 175 3 4.171717 1.6600984 -0.705811890 0.480305127
#> 176 1 2.949495 1.2153251 -1.604093409 0.108693465
#> 177 5 2.727273 1.2190510 1.864341419 0.062273774
#> 178 5 3.868687 1.5949312 0.709317844 0.478127257
#> 179 4 4.050505 1.6436255 -0.030727833 0.975486594
#> 180 4 4.000000 1.4568627 0.000000000 1.000000000
#> 181 4 4.141414 1.5649875 -0.090361198 0.928000190
#> 182 5 3.989899 1.7466875 0.578295197 0.563064837
#> 183 7 4.000000 1.6475089 1.820930936 0.068617356
#> 184 8 4.202020 1.6535663 2.296841524 0.021627812
#> 185 4 4.181818 1.7691439 -0.102771845 0.918144052
#> 186 7 4.343434 1.5330483 1.732864953 0.083119675
#> 187 5 4.272727 1.5571965 0.467039799 0.640471404
#> 188 3 4.232323 1.5638015 -0.788030466 0.430678885
#> 189 3 4.272727 1.6831590 -0.756153932 0.449556910
#> 190 2 4.030303 1.5613609 -1.300341918 0.193483807
#> 191 3 4.323232 1.5638015 -0.846163861 0.397461339
#> 192 1 3.090909 1.2129481 -1.723824067 0.084739608
#> 193 4 2.818182 1.1897833 0.993305364 0.320561164
#> 194 4 4.060606 1.6831590 -0.036007330 0.971276514
#> 195 3 3.898990 1.4462827 -0.621586565 0.534213757
#> 196 3 3.868687 1.5885205 -0.546852806 0.584479861
#> 197 2 4.181818 1.7045176 -1.280020898 0.200537786
#> 198 5 4.070707 1.7742634 0.523762658 0.600443629
#> 199 4 4.101010 1.5746392 -0.064148090 0.948852310
#> 200 4 4.141414 1.6288853 -0.086816512 0.930817363
#> 201 6 4.030303 1.6626420 1.184678932 0.236144415
#> 202 4 4.181818 1.3729429 -0.132429530 0.894644558
#> 203 2 4.454545 1.5204237 -1.614382497 0.106444486
#> 204 3 4.131313 1.4260439 -0.793322772 0.427589793
#> 205 2 4.141414 1.5051619 -1.422713516 0.154819221
#> 206 3 4.353535 1.5991907 -0.846387718 0.397336488
#> 207 3 4.141414 1.5649875 -0.729343956 0.465791291
#> 208 1 3.010101 1.2079241 -1.664095476 0.096093351
#> 209 4 2.969697 1.2813780 0.804058643 0.421363108
#> 210 3 4.020202 1.4844761 -0.687247176 0.491926980
#> 211 4 4.030303 1.5548118 -0.019489838 0.984450343
#> 212 3 3.858586 1.3924732 -0.616590574 0.537504813
#> 213 3 4.121212 1.5271203 -0.734200250 0.462826701
#> 214 4 3.979798 1.5184565 0.013304313 0.989385007
#> 215 4 3.888889 1.5576597 0.071332081 0.943133463
#> 216 5 4.060606 1.6525687 0.568444713 0.569733037
#> 217 6 4.000000 1.5185923 1.317009216 0.187835535
#> 218 6 4.222222 1.4537464 1.222893993 0.221369738
#> 219 5 4.252525 1.4522568 0.514698758 0.606763542
#> 220 3 4.222222 1.5290090 -0.799355813 0.424084124
#> 221 1 4.333333 1.5907898 -2.095395190 0.036135877
#> 222 1 4.363636 1.5081719 -2.230273820 0.025729270
#> 223 1 4.181818 1.4733250 -2.159617365 0.030802303
#> 224 1 2.898990 1.1994467 -1.583221551 0.113370976
#> 225 1 2.868687 1.2342598 -1.514014212 0.130022235
#> 226 2 3.909091 1.5524234 -1.229748826 0.218791177
#> 227 3 3.838384 1.8990173 -0.441482989 0.658863374
#> 228 5 4.171717 1.5388865 0.538235181 0.590414694
#> 229 4 4.262626 1.3966860 -0.188035293 0.850848985
#> 230 5 4.494949 1.5277951 0.330574762 0.740965713
#> 231 5 3.989899 1.6130523 0.626204746 0.531180655
#> 232 5 4.040404 1.4422148 0.665362722 0.505818522
#> 233 5 3.888889 1.4769583 0.752296860 0.451872556
#> 234 2 4.222222 1.3743685 -1.616904167 0.105898969
#> 235 3 4.010101 1.4321024 -0.705327354 0.480606541
#> 236 1 4.252525 1.5671594 -2.075427259 0.037946954
#> 237 1 4.070707 1.5988039 -1.920627681 0.054778663
#> 238 1 4.242424 1.5784965 -2.054121906 0.039963894
#> 239 1 4.191919 1.4754921 -2.163291302 0.030518782
#> 240 1 2.989899 1.3053653 -1.524400099 0.127408795
#> 241 1 2.222222 0.9954545 -1.227803175 0.219520864
#> 242 1 2.787879 1.1717136 -1.525866697 0.127043066
#> 243 1 2.707071 1.2392602 -1.377491764 0.168360259
#> 244 3 2.909091 1.2296582 0.073930372 0.941065788
#> 245 2 3.050505 1.1898700 -0.882873820 0.377304450
#> 246 4 3.070707 1.1180570 0.831167731 0.405878882
#> 247 3 2.828283 1.2700667 0.135203269 0.892451163
#> 248 3 2.757576 1.1701291 0.207177338 0.835871365
#> 249 2 3.010101 1.2494484 -0.808437526 0.418838757
#> 250 3 3.101010 1.1202674 -0.090166066 0.928155250
#> 251 3 3.020202 1.1778552 -0.017151532 0.986315729
#> 252 1 3.111111 1.1770673 -1.793534690 0.072887469
#> 253 1 2.868687 1.2092034 -1.545386774 0.122252737
#> 254 1 3.282828 1.3173908 -1.732840649 0.083123996
#> 255 1 2.808081 1.2094590 -1.494950010 0.134927489
#> 256 1 2.222222 0.9954545 -1.227803175 0.219520864
plot(lsr, sf = Boots.sf, sig = 0.1)
scan <- scan.test(formula = formula, data = Boots.sf, nsim = 299,
dist = "bernoulli", nv = 60 , case = "B", windows = "elliptic")
plot(scan, sf = Boots.sf)
# }