Comparing Exact and Approximate Inference for Spatial Autocorrelation Tests: A Power Analysis
Moran's I, Geary's C, and Getis-Ord G* statistics are widely used to assess spatial autocorrelation in areal data. Inference for these test statistics is typically based on permutation tests or normal approximations. However, exact tests can be derived, offering improved control over Type I error rates. Previous research has examined the power of exact versus normal approximation-based tests for Moran's I, similar analyses have not been conducted for Geary's C or Getis-Ord G* statistics. We extend this investigation by assessing the performance of normal approximations versus exact tests for these statistics across spatial data that capture varying patterns of dependence, highlighting scenarios where normal approximations are suboptimal. These findings provide practical guidance for researchers choosing among spatial autocorrelation tests in applied settings.
Comparaison de l’inférence exacte et approximative pour les tests d’autocorrélation spatiale : une analyse de puissance
Les statistiques I de Moran, C de Geary et G* de Getis-Ord sont largement utilisées pour évaluer l’autocorrélation spatiale dans les données aréales. L’inférence pour ces statistiques de test est généralement basée sur des tests de permutation ou des approximations normales. Cependant, des tests exacts peuvent être dérivés, ce qui permet de mieux contrôler les taux d’erreur de type I. Des recherches antérieures ont examiné la puissance des tests exacts par rapport aux tests basés sur des approximations normales pour le I de Moran, mais des analyses similaires n’ont pas été effectuées pour les statistiques C de Geary ou G* de Getis-Ord. Nous étendons cette étude en évaluant la performance des approximations normales par rapport aux tests exacts pour ces statistiques à travers des données spatiales qui capturent différents modèles de dépendance, mettant en évidence des scénarios où les approximations normales sont sous-optimales. Ces résultats fournissent des conseils pratiques aux chercheurs qui aurait à choisir parmi les tests d’autocorrélation spatiale dans des contextes appliqués.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais