隨著精密量測儀器的開發，我們能連續地對周遭環境進行更詳細的監測，獲得與時間和空間相關的時空形態資料。然而此類資料在時間和空間上具有複雜的交互關係，若僅用時間序列方法分析之，則可能因忽略資料的空間架構，無法即時提出異常警訊。而若以純空間統計方法檢測資料，則可能隱藏了事件間的時空關聯性，導致訊號誤判。因此，時空統計(Spatiotemporal Statistics)研究領域的發展在處理時空形態資料上扮演重要角色。希冀藉由統計量化分析，獲得更精確的推論，進而達到預測的目標。

　現有部分研究以簡單的敘述統計、迴歸分析或將多維度資料視為多變量，再從時間序列的角度分析樣本值，但此類型的數據同時具有時間與空間分布的特性，因此檢驗結果可能不甚完善。另有相關研究從隨機過程的角度，利用Markov Chain Monte Carlo(MCMC)等方法進行分析，雖以不同模式解決問題，但其配適度仍有待進一步討論。本研究致力於發展分析時空形態資料的技術，藉由監控資料的累積變異量，偵測是否有特定區域在某一時間點發生變化，並達到高鑑別力的檢驗成效。

　在應用方面，例如先進製程中，鄰近元件的電氣特性容易有相關性。因製造過程不穩定所引起的觀察值偏移現象，常具有群聚效應，異常資料在空間上以一個個小區塊出現。因此，製造過程的監控程序應充份利用量測值的空間對應關係，將資料點的時、空資訊納入檢定統計量的設計，更有效率地偵測異常群集。當製造過程落於管制外時，發揮及時預警作用。本研究可將檢測儀器所收集的數據透過時空統計分析，自動鑑別檢驗範圍中是否存有任何異常模式。其成果有助於建立自動化檢測系統，取代部分人工目測，提供較快速、正確及穩定性高的檢驗技術。

　此外在公共衛生與流行病學方面，可藉由監測發病人數的變化，分析疾病擴散的趨勢、範圍或是事件發生率的異動，進而協助疾病管制，提供制定相關政策可靠的依據。例如去年H1N1新型流感肆虐，疫情監測人員可利用統計技術分析各地區每天因肺炎或流感就診、住院甚至死亡人數等資料，即時掌握新流感的發展狀況，有助於中央流行疫情指揮中心監控流行病之傳染。當疫情嚴重度改變時，更改疫情分級，立即啟動其所對應的防治措施。諸如生態、空氣汙染、地震及降雨量等資料，亦可運用時空統計方法進行分析。