あなたのデータを見て、いくつかの探索的分析を行わずに言うのは難しいです。仮説、サンプル設計、および収集された実際のデータについて、さらに詳しい情報をお待ちしています。統計的方法論の質問をするときは、テストしている仮説を述べることが重要です。これは統計的方法論を左右する可能性があり、知らずに暗闇の中で撮影しています。
また、指定された統計の問題が「私に欲しいものを与えていない」こととの関係がまったく明確ではありません。2変量空間相関を示す1変量自己相関統計で何を期待していたかわかりません。SCAN統計のファミリーは非常に多様であり、多くの定義済み分布が利用可能です。SaTScanでどの分布(モデル)を定義しましたか。また、点パターン分析に適した仮説とデータは実際にありますか?一般に、グリッド化された体系的なサンプルは、ポイントパターン分析には適していません。
相関は推論の観点から非常に制限され、回帰タイプのモードがここで適切であるように思われます。最初は面白そうですが、時間のAR-I項と空間ランダム効果の自己相関項の混合効果モデルがニーズに合うと思います。これにより、変動を時間で分割し、自己相関が残差エラーとiidの仮定に与える影響を正規化できます。データがサポートしている場合、別のオプションは、MCMCフレームワークのポアソン点プロセスモデルです。階層モデルとして指定した場合、時間を事前として定義できます。カーネル回帰アプローチを使用すると、空間拡散プロセスの複数の仮説をテストしたり、2次拡散項を定義したりできます。このタイプのモデルは、広がりの速度で取得するために空間疫学で一般的に使用されます。
空間統計アプローチを使用すると、「壁にデータを投げつける」ことに迷うのは簡単ですが、サンプルデザインが空間プロセスをキャプチャすることを意図しておらず、空間効果に関する十分に定式化された質問がない限り、これは無駄な練習になる可能性があります。
方法論を簡単に利用できるため、頻度論者の方法は見過ごされがちです。空間データ(空間および条件付き自己回帰、空間回帰、多項式回帰、混合効果モデル、正準回帰、カーネル回帰、半回帰と非パラメトリック回帰など)を簡単に処理できる回帰モデルがあり、これらはあなたの仮説との関連で探究されるべきだと推測します。