Ошибка построения сглаженной остаточной меры с помощью диагностики. Ppm модели Geyer

Question

Я пытаюсь подгонять модель Гейера к шаблону точки, и мне удается это сделать без проблем. Однако, когда я хочу проверить диагностические графики, у меня возникла проблема. Если я даю значение «все» аргумент «который» он вычерчивает 4 панели без проблем, но когда я спрашиваю только для сглаженной остаточной меры (что = «сглаживать» я получаю следующее сообщение об ошибке:

Error in as.vector(rasterx.mask(W)) : error in evaluating the argument 'x' in selecting a method for function 'as.vector': Error in validate.mask(w) : w is not a binary mask

Возпроизводимо код следующим образом:.?

library(spatstat) 
#generate a pattern 
pattern <- rpoispp(300) 
#generate a covariate 
cov <- rnoise(rgen = rnorm, dimyx=32, mean=2, sd=1, w = pattern$window) 

#fit the model 
fit <- ppm(pattern ~ cov, Geyer(r = 0.01, s = 0.02)) 

#plot diagnostics 
diag <- diagnose.ppm(fit, type = "pearson", which = "all") #this works 
diag <- diagnose.ppm(fit, type = "pearson", which = "smooth") #this doesn't 

Я попробовал все варианты, разрешенных в type= с той же удачи

Любые идеи, что я могу делать неправильно (я предполагаю, что это я) или как я могу получить это smoothe d остаточный каким-либо другим способом?

Answer 1

Возможно, это ошибка в plot.diagppm. В настоящее время я нахожусь в Holiday, поэтому сейчас я не буду предпринимать особых действий. Я сообщу об ошибке https://github.com/spatstat/spatstat/issues и, надеюсь, Адриан исправит ее слишком долго.

Обходной сейчас:

library(spatstat) 
#generate a pattern 
pattern <- rpoispp(300) 
#generate a covariate 
cov <- rnoise(rgen = rnorm, dimyx=32, mean=2, sd=1, w = pattern$window) 

#fit the model 
fit <- ppm(pattern ~ cov, Geyer(r = 0.01, s = 0.02)) 

#plot diagnostics 
diag <- diagnose.ppm(fit, type = "pearson", which = "smooth", plot.it = FALSE) 
s <- diag$smooth$Z 
plot(s) 

Answer 2

Просто подтверждение того, что это ошибка. Он был исправлен в следующей версии разработки spatstat (версия 1.45-0.026). Спасибо, что привлекли наше внимание.