Package ‘smerc’ April 20, 2018

nnpop

17

the zone. The second zone is the first zone and the connected region that maximizes the scan statis-

tic, subject to the population and distance constraints. This pattern continues until no additional

zones can be added due to population or distance constraints.

Every zone considered must have a total population less than

ubpop * sum(pop) in the study area.

Additionally, the maximum intercentroid distance for the regions within a zone must be no more

than

ubd * the maximum intercentroid distance across all regions.

Value

Returns a list that includes the location id of the zone and the associated test statistic, counts,

expected counts, and population in the zone. If

type = "all", then each of these elements is a list

or vector corresponding to each respective candidate zone.

Author(s)

Joshua French

References

Yao, Z., Tang, J., & Zhan, F. B. (2011). Detection of arbitrarily-shaped clusters using a neighbor-

expanding approach: A case study on murine typhus in South Texas. International journal of health

geographics, 10(1), 1.

Assuncao, R.M., Costa, M.A., Tavares, A. and Neto, S.J.F. (2006). Fast detection of arbitrarily

shaped disease clusters, Statistics in Medicine, 25, 723-742.

Examples

data(nydf)

data(nyw)

coords = as.matrix(nydf[,c("x", "y")])

mlf.zones(coords, cases = floor(nydf$cases), pop = nydf$pop, w = nyw, lonlat = TRUE)

nnpop

Determine nearest neighbors

Description

nnpop determines the nearest neighbors for a set of observations based on the distance matrix ac-

cording to a population upperbound.

Usage

nnpop(d, pop, ubpop)

---

18

nydf

Arguments

d

An n × n square distance matrix containing the intercentroid distance between

the n region centroids.

pop

A vector of length n containing the population values of the n region centroids.

ubpop

A proportion between 0 and 1 containing the upperbound for the proportion of

total population contained collectively among a set of nearest neighbors.

Details

This function determines the nearest neighbors of each centroid based on the intercentroid distance.

The number of nearest neighbors is limited by the sum of the population values among the nearest

neighbors. The set of nearest neighbors can contain no more than

ubpop * sum(pop) members of

the population. The nearest neighbors are ordered from nearest to farthest.

Value

Returns the indexes of the nearest neighbors as a list. For each element of the list, the indexes are

ordered from nearest to farthest from each centroid.

Author(s)

Joshua French

Examples

data(nydf)

d = SpatialTools::dist1(as.matrix(nydf[,c("longitude", "latitude")]))

nnout = nnpop(d, pop = nydf$pop, ubpop = 0.5)

nydf

Leukemia data for 281 regions in New York.

Description

This data set contains 281 observations related to leukeumia cases in an 8 county area of the state

of New York. The data were made available in Waller and Gotway (2005) and details are provided

there. These data are related to a similar data set in Waller et al. (1994). The longitude and latitude

coordinates are taken from the NYleukemia data set in the SpatialEpi package for plotting purposes.

Usage

data(nydf)

---

nypoly

19

Format

A data frame with 281 rows and 4 columns:

longitude The longitude of the region centroid. These are NOT the original values provided by

Waller and Gotway (2005), but are the right ones for plotting correctly.

latitude The latitude of the region centroid. These are NOT the original values provided by Waller

and Gotway (2005), but are the right ones for plotting correctly.

population The population (1980 census) of the region.

cases The number of leukemia cases between 1978-1982.

x The original ’longitude’ coordinate provided by Waller and Gotway (2005).

y The original ’latitude coordinate provided by Waller and Gotway (2005).

Source

Waller, L.A. and Gotway, C.A. (2005). Applied Spatial Statistics for Public Health Data. Hoboken,

NJ: Wiley.

References

Waller, L.A., Turnbull, B.W., Clark, L.C., and Nasca, P. (1994) "Spatial Pattern Analysis to Detect

Rare Disease Clusters" in Case Studies in Biometry, N. Lange, L. Ryan, L. Billard, D. Brillinger,

L. Conquest, and J. Greenhouse (eds.) New York: John Wiley and Sons.

nypoly

SpatialPolygonsDataFrame for New York leukemia data.

Description

A SpatialPolygonsDataFrame for the New York leukemia data in

nydf. Note that the coordinates

in the polygon have been projected to a different coordinate system (UTM, zone 18), but the order

of the regions/polygons is the same as in

nydf. This data comes from

Usage

data(nypoly)

Format

A SpatialPolygonDataFrame

Source

Bivand, R. S., Pebesma, E. J., Gomez-Rubio, V., and Pebesma, E. J. (2013). Applied Spatial Data

Analysis with R, 2nd edition. New York: Springer.

---

20

plot.scan

nyw

Adjacency matrix for New York leukemia data.

Description

This data set contains a 281 x 281 adjacency matrix for the New York leukemia data in

nydf.

Usage

data(nyw)

Format

A matrix of dimension 281 x 281.

Source

Waller, L.A. and Gotway, C.A. (2005). Applied Spatial Statistics for Public Health Data. Hoboken,

NJ: Wiley.

References

Waller, L.A., Turnbull, B.W., Clark, L.C., and Nasca, P. (1994) "Spatial Pattern Analysis to Detect

Rare Disease Clusters" in Case Studies in Biometry, N. Lange, L. Ryan, L. Billard, D. Brillinger,

L. Conquest, and J. Greenhouse (eds.) New York: John Wiley and Sons.

plot.scan

Plots object of class

scan.

Description

Plots clusters (the centroids of the regions in each cluster) in different colors. The most likely cluster

is plotted with solid red circles by default. Points not in a cluster are black open circles. The other

cluster points are plotted with different symbols and colors.

Usage

## S3 method for class 'scan'

plot(x, ..., ccol = NULL, cpch = NULL, add = FALSE,

usemap = FALSE, mapargs = list())

---