基于Geoda的经典空间回归模型（OLS）、空间误差模型（SEM）和空间迟滞模型（SLM）

最新推荐文章于 2024-08-30 11:27:50 发布

圣叹

最新推荐文章于 2024-08-30 11:27:50 发布

阅读量1.8w

点赞数 28

文章标签：回归数据挖掘数据分析 arcgis

本文链接：https://blog.csdn.net/Lyon_Zhang/article/details/125646864

版权

本文介绍了空间误差模型（SEM）和空间滞后模型（SLM）的应用，强调了在考虑空间要素信息时，SEM和SLM比经典回归模型（OLS）更具优势。通过7个步骤详细阐述了分析流程，包括空间自相关分析、模型选择依据、参数解释，并提供了模型选择的拉格朗日乘子检验。案例展示了如何利用SEM和SLM揭示空间规律，以弥补OLS的不足。

摘要由CSDN通过智能技术生成

引言

最近在网上搜索有关空间误差模型的方法，看到的最多的就是https://editor.csdn.net/md/?not_checkout=1&spm=1001.2014.3001.5352链接下的经验分享，分享的内容很简洁，操作步骤很简单，但是有些细节可能没有讲到，我想通过一个案例对该方法进行充实一下。学习和整理期间也参考了一些书，在中国知网上搜索、下载和学习了一些文章，引用文献放在本文的最后。

方法介绍

本文在这里不做方法原理的探讨，主要想解决三个方面的问题：①分析的流程；②模型的选择；③参数解释。
一开头，我想给出我们使用SEM或者SLM的意义，那就是若要用SEM或者是SLM，需要给出一个为什么不用经典回归模型（OLS）的理由。我们都知道，经典最小二乘法在不引入空间权重进行空间变量的回归分析时，是不考虑变量的位置信息的，所以对于要素在空间中的集聚、扩散等空间维度的效应是无法考虑在内的，而SEM和SLM是考虑了空间要素信息的。那么，从笔者对该方法的认识来看，我要用SEM或者SLM就意味着SEM和SLM在表达空间信息时是要比OLS更加显著的，这就是我们要用SEM或者SLM的理由。