我已经使用“geoR”包拟合了我的半变异函数，如下所示：
#loading geoR
library(geoR)
#calculating the semivariogram
bin1 <- variog(geodata)
#plotting
plot(bin1)
#fitting the model
lines.variomodel(cov.model = "exp", cov.pars = c(0.571,0.2527), nug = 0.13, max.dist=1)
有什么方法可以知道指数模型的拟合优度（轻松）？？
提前致谢...
【问题讨论】：
您在这里并没有真正拟合模型，您可以使用 variofit 将模型拟合到经验半变异函数。
例如
library(geoR)
vario100 <- variog(s100, max.dist=1)
ini.vals <- expand.grid(seq(0,1,l=5), seq(0,1,l=5))
ols <- variofit(vario100, ini=ini.vals, fix.nug=TRUE, wei="equal")
## variofit: model parameters estimated by OLS (ordinary least squares):
## covariance model is: matern with fixed kappa = 0.5 (exponential)
## fixed value for tausq = 0
## parameter estimates:
## sigmasq phi
## 1.1070 0.4006
## Practical Range with cor=0.05 for asymptotic range: 1.200177
##
## variofit: minimised sum of squares = 0.1025
您可以使用 cov.spatial 在变异函数上的每个点计算您自己的适当加权平方和。
我认为这不是一个好主意。
相反，您可以使用loglik.GRF 来计算与给定模型和所有数据关联的可能性
# you can pass an existing model
loglik.GRF(s100, obj.model = ols)
## [1] -87.32958
或者只是参数
loglik.GRF(s100, cov.pars = c(1.5,0.6), nugget = 0.01)
如果您真的想要加权最小二乘值，您可以使用 gstat 包中的 fit.variogram，而无需实际拟合任何东西。
一件好事是gstat 有一些辅助函数可以将geoR 模型转换为gstat 版本。这非常有用，因为gstat 的预测速度更快、效率更高。
例如
library(gstat)
# convert geodata to data.frame object
s100df <- as.data.frame(s100)
# remove geodata.frame class that causes problems
class(s100df) <- 'data.frame'
# create gstat version of variogram
s100v <- variogram(data~1, ~X1+X2, s100df)
# convert a variomodel to vgm object
foo <- as.vgm.variomodel(list(cov.model = 'exponential', kappa = 0.5,
cov.pars = c(1.5,0.6), nugget = 0.2))
# get the weighted least squares value
# calling fit.variogram without fitting any thing
fittedfoo <- fit.variogram(s100v, foo, fit.sills = FALSE, fit.ranges = FALSE)
# the weighted sum of squares is
attr(fittedfoo, 'SSErr')
## [1] 0.6911813
【讨论】：