Fitting spatial models in the R package: hglm

We present a new version of the hglm package for fittinghierarchical generalized linear models (HGLM) with spatially correlated random effects. A CAR family for conditional autoregressive random effects was implemented. Eigen decomposition of the matrix describing the spatial structure (e.g. the neighborhood matrix) was used to transform the CAR random effectsinto an independent, but heteroscedastic, gaussian random effect. A linear predictor is fitted for the random effect variance to estimate the parameters in the CAR model.This gives a computationally efficient algorithm for moderately sized problems (e.g. n<5000).

Geografiundervisning om eller med GIS : En intervjustudie om gymnasielärares didaktiska val för implementering av GIS i geografiundervisningen

I studien har gymnasielärares didaktiska val för implementering av geografiska informationssystem (GIS) i geografiundervisningen undersökts. Resultatet baseras på intervjuer med sex stycken respondenter, vilka har framhållit sina erfarenheter, tillämpnings- och förhållningssätt till GIS. De slutsatser som framkommer är att respondenterna enbart använder webbaserade och kostnadsfria GIS-program i undervisningen. I dessa tillämpas GIS som ett verktyg för att behandla olika frågor i undervisningen, och därmed är det undervisning, med hjälp av GIS, som karakteriserar respondenternas användning. De didaktiska valen behandlar naturgeografiska förhållanden, såsom landformer. Vissa respondenter använder också GIS till att behandla frågor med utgångspunkt i kulturgeografiska förhållanden, till exempel olika typer av befolkningsfrågor. Att arbeta tvärvetenskapligt i GIS, således mot ämnets två vetenskapliga discipliner, är inte karakteristiskt för alla respondenter. Dessutom använder ett fåtal respondenter fortfarande kartboken, eller låter eleverna rita kartor för hand.   Nästan alla respondenter anser att de vill, och behöver, öka användningen av GIS i och med utformningen av de nya kursplanerna för geografiämnet i Gy11. Emellertid hämmas respondenternas möjligheter att undervisa i geografiska informationssystem av en kombination av brist på tid, resurser och kunskap. 

Fitting conditional and simultaneous autoregressive spatial models in hglm

We present a new version (> 2.0) of the hglm package for fitting hierarchical generalized linear models (HGLMs) with spatially correlated random effects. CAR() and SAR() families for conditional and simultaneous autoregressive random effects were implemented. Eigen decomposition of the matrix describing the spatial structure (e.g., the neighborhood matrix) was used to transform the CAR/SAR random effects into an independent, but eteroscedastic, Gaussian random effect. A linear predictor is fitted for the random effect variance to estimate the parameters in the CAR and SAR models. This gives a computationally efficient algorithm for moderately sized problems.

Spatial modeling of data with excessive zeros applied to reindeer pellet-group counts

We analyze a real data set pertaining to reindeer fecal pellet-group counts obtained from a survey conducted in a forest area in northern Sweden. In the data set, over 70% of counts are zeros, and there is high spatial correlation. We use conditionally autoregressive random effects for modeling of spatial correlation in a Poisson generalized linear mixed model (GLMM), quasi-Poisson hierarchical generalized linear model (HGLM), zero-inflated Poisson (ZIP), and hurdle models. The quasi-Poisson HGLM allows for both under- and overdispersion with excessive zeros, while the ZIP and hurdle models allow only for overdispersion. In analyzing the real data set, we see that the quasi-Poisson HGLMs can perform better than the other commonly used models, for example, ordinary Poisson HGLMs, spatial ZIP, and spatial hurdle models, and that the underdispersed Poisson HGLMs with spatial correlation fit the reindeer data best. We develop R codes for fitting these models using a unified algorithm for the HGLMs. Spatial count response with an extremely high proportion of zeros, and underdispersion can be successfully modeled using the quasi-Poisson HGLM with spatial random effects.