¿Modificando el I / LISA de Bivariate Moran para incluirlo?

Estoy utilizando la función I de Bivariate Moran de GeoDa para examinar los patrones de colocación entre dos variables a nivel de condado (por ahora, llámelas A y B).

Sé que, después de realizar el análisis, puedo decir cosas como "Los condados con un alto valor para A tienden a tener vecinos con un alto valor de B"

Lo que preferiría decir es que "los condados con un alto valor de A tienden a ubicarse en regiones con un alto valor de B". La diferencia es que este último parecería incluir el condado donde A es alto y sus vecinos, mientras que el primero incluye solo a los vecinos.

Puedo ver mi camino para cambiar esto, simplemente convirtiendo a cada condado en su propio vecino en la matriz de pesos, pero me preguntaba qué tipo de estragos tendría esto en mis valores para mí y el resto de los diagnósticos.

PD. Si se encuentra con esta pregunta idéntica publicada por mí aquí: https://groups.google.com/forum/?fromgroups#!topic/openspace-list/WUL1kQkenWo

tenga en cuenta que la respuesta que recibí fue incorrecta, como lo señaló cuidadosamente un crítico bastante iracundo.

La diagonal de la matriz representa el potencial propio. Normalmente, cuando resuelves Moran's-I, eliminas la diagonal de la matriz. Sin embargo, no puedo encontrar nada en la documentación de GeoDa que explique el comportamiento predeterminado de la estadística. Nunca he visto opciones para derivar pesos interzonales, así que me imagino que, dado que es 0, se elimina la diagonal. Es posible que deba contactar a los autores para obtener una respuesta definitiva.

Sé que la implementación de ArcGIS tiene una opción para incluir el potencial propio en el caso univariante (lo siento, no hay implementación bivariada). Sin embargo, no tienen una estadística de prueba correcta y el valor z y los valores p no son estables cuando se enfrentan a distribuciones no normales.

Probablemente, la única forma en que podrá implementar esto es codificándolo usted mismo en algo como PySal o R. El peso interzonal univariante se calcula como: dij = 0.5 * [(Aij / π) ** 0.5] pero tendrá que averiguar el ajuste bivariado. Si implementa esto, tendrá que pensar mucho sobre el significado. No estoy seguro de que le proporcione lo que está pensando.

Podría considerar usar una estadística de escaneo que sea más adecuada para el análisis espacial de series de tiempo bajo supuestos distributivos específicos. Esto le proporcionaría un marco más adecuado para la prueba de hipótesis. También miraría en Crimestat . Como recuerdo, hay cierta flexibilidad para definir el comportamiento de contingencia y hay un Moran's-I / LISA bivariado.

También puede considerar un modelo autorregresivo (Li et al., 2007). Este método reescala la medida por una función de los valores propios de la matriz de pesos espaciales y proporciona una medida mucho más robusta de la dependencia espacial.

Li, H., C.A. Calder and N. Cressie. (2007). Beyond Moran’s I: Testing for spatial   
  dependence based on the spatial autoregressive model. Geographical Analysis 
  39:357–375. 

Perdón por no poder proporcionar una respuesta más definitiva.