对空间点模式的研究，是为了更好地理解空间点过程(spatial point progress)，揭示隐藏在空间模式下的空间过程的机理。空间点模式通常分为三类，即随机分布、均匀分布和聚集分布。空间点模式的各种分析方法，总的来说就是为了判别所观察到的点格局属于以上三种的那一类。
当使用spatstat包时，首先需要安装和加载，并建立点集，这个过程用spatstat包中的ppp()函数将已有数据封装为特定格式。包括数据的x、y坐标，观察窗口也就是分析窗口的大小。ppp()函数允许建立矩形、多边形等不同形状的观察窗口。
install.packages("spatstat", dep = T)
library(spatstat)
xwindow <- owin(c(xmin, xmax), c(ymin, ymax))
P <- ppp(x, y, window = xwindow)
描述空间点模式的方法可分为
：事件间的绝对位置具有决定性作用，
：事件间的相对位置和距离具有决定性作用，即空间相互作用。其中又分为多种方法进行空间分布的判定和检测。
一阶效应方法。假设图1左为正在考察的空间点分布，可利用以下三个步骤进行分析。
- 划分网格，网格的大小一般为
。其中，
为观察窗口的面积，
为点的个数。
- 统计每个网格中点的个数。
Q <- quadratcount(swp, nx=4, ny=4)
# nx和ny分别为每行方格数和每列方格数
- 计算以上统计结果的均值Mean、方差Var以及方差均值比
。
当分布为均为分布，，则
；当分布为随机分布时,
，则
；当分布为聚集分布时，
，则
。
样方分析不仅依赖于样方也就是观测窗口的大小，且密度起到了决定性因素，而不能判别点与点之间的相互关系，也就是相对距离，当网格内点的数量相等但分布不同时，这种方法完全无法分辨。如图2所示，左右两个点分布得到的点个数完全相同但有着完全不同的分布。
样方检验的零假设：点过程是泊松过程。即假设点模式为随机分布(CSR)。通过模拟柏松分布并以相同过程计算模拟点格局的VMR进行检验。
例如模拟1000次柏松过程并利用蒙特卡洛模拟方法进行检验。指定。将1000次模拟得到的点过程按以上步骤计算VMR并进行从小到大的排序，取1000次模拟中的第25个为最小值，第975个为最大值。若所观察的点模式VMR处于该范围中，则认为接受原假设，即观察到的点模式为随机分布；如果大于最大值，则拒绝原假设，认为该点模式更趋近于聚集分布；反之，小于最小值则认为趋近于均匀分布。
即指数
，测量每个点与其最近点中心之间的距离，计算所有这些最近邻距离的平均值。如果该平均距离小于假设随机分布中的平均距离，则认为该分布为聚类分布。反之如果该平均距离大于假设随机分布中的平均距离，则为均匀分布。
上式中为柏松分布也就是普通随机分布时计算得到的平均距离，则
，
为点的个数，
为面积。
为检测数据计算得到的平均距离。
这个公式的本质是将柏松随机分布作为参考标准，计算柏松随机分布时各个点到最近点的距离的平均值，并以同样方法计算待考察的分布格局各个点到最近点的距离(
)，并将两个数值进行比较。因此当待考察格局同样为随机分布时，两种格局没有差异，
。当待考察格局为聚集分布时，则大部分点距离其最近点的距离更近，则
，反之，当待考察格局为均匀分布时，
。
clarkevans()函数可以计算ppp数据形式的。该函数将给出3个数值，分别是无边缘矫正和使用不同边缘矫正方法得到的结果。
clarkevans(myDataP)
clarkevans.test()函数用来执行点模式的假设检验，其空假设为模式是完全的空间随机性，即均匀Poisson过程。边缘矫正方法可选。
clarkevans.test(myDataP, correction = "cdf")
函数
