Каков наилучший способ оценки выходных данных модели пространственного прогнозирования из geoRglm?

Question

Я успешно создал набор прогнозов, используя пакет geoRglm (binomial, MCMC), однако я не уверен, как оценить его прогностическую силу. Я знаю, что в моделях распространения видов перекрестная проверка используется для получения AUC и различных других тестов, таких как каппа. В виньетке geoRglm есть инструкции для байесовского анализа модели, но я мало представляю, как интерпретировать эти результаты, если я попытаюсь это сделать, и не уверен, насколько это актуально для того, чего я пытаюсь достичь. вывод, который я получаю из модели, представляет собой набор вероятностей, поэтому, безусловно, есть способ достичь того, чего я хочу, используя только это.

Я нашел пользовательскую функцию под названием xvalid.binom для geoRglm, но она не имеет информации о своих параметрах, поэтому я не могу заставить ее работать.

Итак, что является лучшим способом перекрестной проверки модели следующим образом:

))



argospatgeo<- as.geodata(argospat,coords.col=2:3,data.col=4,covar.col=6:9)
mcmc.test <- mcmc.control(S.scale=0.2, thin=10, burn.in=5000, n.iter=100000) 

model <- list(beta=betas, cov.model="exponential", family="binomial", 
           cov.pars=c(1,1), trend=trend.spatial(~DepthToClay * SoilNumber+pH+ Conductivity , argospatgeo)

analysis <- glsm.mcmc(argospatgeo, model=model, mcmc.input=mcmc.test)
analysis2 <- create.mcmc.coda(analysis, mcmc.test)
out2 <- output.glm.control(sim.predict = TRUE)
pred.test2 <- glsm.krige(analysis, locations = padcoords,
  trend.l=trend.spatial(~DepthToClay * SoilNumber +pH+ Conductivity, paddocks),
                         output = out2)

((