Difficile à dire sans voir vos données et travailler à travers une analyse exploratoire. Des détails supplémentaires sur l'hypothèse, le plan d'échantillonnage et les données réelles collectées seraient les bienvenus. Lorsque vous posez des questions de méthodologie statistique, il est important d'indiquer l'hypothèse que vous testez. Cela peut dicter une méthodologie statistique et sans le savoir, nous tournons dans le noir.
Il n'est pas du tout clair non plus quel est le problème avec les statistiques spécifiées par rapport à "ne pas me donner ce que je veux". Je ne sais pas ce que vous attendiez avec une statistique d'autocorrélation univariée indiquant une corrélation spatiale bivariée. La famille de statistiques SCAN est assez variable avec de nombreuses distributions définies disponibles. Quelle distribution (modèle) avez-vous définie dans SaTScan et avez-vous réellement une hypothèse et des données adaptées à une analyse de modèle de points? En général, un échantillon quadrillé et systématique n'est pas approprié pour une analyse de modèle de points.
Une corrélation serait très limitative d'un point de vue inférentiel et il semblerait qu'un mode de type régression soit ici de mise. À première vue, je pense qu'un modèle à effets mixtes avec un terme AR-I pour le temps et un terme d'autocorrélation pour les effets spatiaux aléatoires conviendrait à vos besoins. Cela vous permettrait de partitionner la variation dans le temps et de normaliser toute influence que l'autocorrélation aurait sur l'erreur résiduelle et les hypothèses iid. Une autre option, si les données le supportaient, serait un modèle de processus ponctuel de Poisson dans un cadre MCMC. S'il est spécifié comme modèle hiérarchique, vous pouvez définir l'heure comme une priorité. Avec une approche de régression du noyau, vous pouvez tester plusieurs hypothèses de processus de diffusion spatiale ou définir un terme de diffusion quadratique. Ce type de modèle est couramment utilisé en épidémiologie spatiale pour obtenir un taux de propagation.
Il est facile de se perdre en «jetant vos données contre le mur» avec des approches statistiques spatiales, mais, à moins que votre plan d'échantillonnage soit destiné à capturer le processus spatial et que vous ayez une question bien formulée concernant l'effet spatial, cela peut être un exercice futile.
En raison de la disponibilité facile des méthodologies, les méthodes fréquentistes sont souvent négligées. Il existe des modèles de régression qui peuvent facilement traiter des données spatiales (autorégressives spatiales et conditionnelles, régression spatiale, régression polynomiale, modèles à effets mixtes, régression canonique, régression du noyau, régressions semi et non paramétriques, ...) et si vous avez l'intention de déduisez-les en fonction de votre hypothèse.