需要 Geostatistical Analyst 许可。
作为预测方法的克里金法并不要求数据具有正态分布。但是，正如了解不同的克里金模型中所述，要获取普通克里金法、简单克里金法和泛克里金法的分位数和概率图则要求数据必须处于正态分布。如果只考虑加权平均值预测方法，则无论数据是否正态分布，克里金法都是最好的无偏差预测方法。但是，如果数据处于正态分布，克里金法会是所有无偏差预测方法（不仅是加权平均值预测）中最好的。
克里金法也依赖于所有随机误差都是二阶平稳性的假设，即假设随机误差具有零平均值，并且任意两个随机误差之间的协方差只取决于将其分隔的距离和方向，而不取决于其确切位置。
变换和趋势移除有助于证明正态分布和平稳性的假设。使用常规 Box-Cox 变换、反正弦变换和对数变换的普通克里金法、简单克里金法和泛克里金法的预测称为高斯变换克里金法。对数变换是 Box-Cox 变换的特例，但是具有特殊的预测属性，称为对数正态克里金法。
主变量的变换和趋势
每个克里金法的主变量的变换和趋势选项如下表所示。此表还显示了选中变换和趋势时，是先执行变换移除还是先执行趋势移除。
| 克里金法类型 | BAL | NST | 趋势面法 |
|---|---|---|---|
普通克里金 | 是（如果为 TR，则先执行） | 否 | TR（如果为 BAL，则后执行） |
简单 | 是 | 是 | 否 |
泛克里金 | 是（如果为 T，则先执行） | 否 | T（如果为 BAL，则后执行） |
指示克里金 | 否 | 否 | 否 |
概率* | 否 | 否 | 否 |
析取克里金 | 是（如果为 TR，则先执行） | 是（如果为 TR，则后执行） | TR（如果为 NST，则先执行；如果为 BAL，则后执行） |
经验贝叶斯 | 否 | 是 | T（与 NST 同步） |
EBK 回归预测 | 否 | 是 | 否 |
*对于概率克里金法，主变量由原始变量的指示器构成；因此认为原始变量是协同克里金法的二级变量。
二级变量的变换和趋势（协同克里金法）
每个克里金法的二级变量的变换和趋势选项如下表所示。此表还显示了选中变换和趋势时，是先执行变换移除还是先执行趋势移除。
| 克里金法类型 | BAL | NST | 趋势面法 |
|---|---|---|---|
普通克里金 | 是（如果为 TR，则先执行） | 否 | TR（如果为 BAL，则后执行） |
简单 | 是 | 是 | 否 |
泛克里金 | 是（如果为 T，则先执行） | 否 | T（如果为 BAL，则后执行） |
指示克里金 | 否 | 否 | 否 |
概率 | 是（如果为 TR，则先执行） | 是 | TR（如果为 BAL，则后执行） |
析取克里金 | 是（如果为 TR，则先执行） | 是（如果为 TR，则后执行） | TR（如果为 NST，则先执行；如果为 BAL，则后执行） |
定义和缩写
以下部分介绍上表中所使用的定义和缩写的含义。
定义
- 主变量 - 使用克里金法或协同克里金法时预测的变量
- 二级变量 - 使用协同克里金法时的协同变量（未预测）
- 趋势 - 由用于线性模型中的空间坐标构成的固定效应
缩写
- BAL - Box-Cox、反正弦和对数变换
- NST - 常态得分变换
- SV - 变量（协同克里金法的协同变量）
- T -（内部趋势）
- TR - 移除（外部趋势）