空间统计分析学习笔记

空间统计有别于经典统计学的两大特征：空间相关性和空间异质性，莫兰指数等可以用来量化空间相关性，地理加权回归等用来量化空间异质性。

潜在的（因为没有很明显的表现出来）的相互依赖性，就是所谓的“**空间自相关**”。

对空间自相关的研究，是揭示空间数据分布的一个很重要的概念，而对空间自相关中的关联性程度的计算，就是研究空间自相关的主要方法

衡量空间自相关的表现形式：空间分布模式之聚集、离散与随机。
通过定义空间权重矩阵来进行控制临近关系

一、空间分析/空间分布模式

spatial distribution pattern

通常，空间位置在一次分析中（时序分析除外），并不会发生改变，所以我们一般通过属性数据的变化来判断空间分布
不可能出现如此有规律的分布，所以如何控制临近关系呢？通过定义空间权重矩阵来进行控制临近关系

空间分布模式如何进行计算呢？
第一个计算方法：莫兰指数（Moran‘s I）

（一）莫兰指数

1、全局 Moran’s I

1.1两个概念

参考文章1

1. 判断空间全局聚集特征
   全局 Moran’s I
   用来衡量空间自相关的程度的一个综合性评价
2. 判断空间局部聚集特征
   局部 Maran’s I(local Maran’s I)

莫兰指数

“聚类和异常值分析 (Anselin Local Moran’s I)”的工作原理：
Arcgis工作文档

1.2莫兰指数之计算详解

参看文章2
（具体看文章2）
莫兰指数的原理：属性与空间关系的乘积，得到最终的空间上的相关性。空间关系在自相关分析里面，起到的作用就是判定是否有关系。
莫兰指数计算的是截面数据，不会出现多个时间片段的数据，用属性值与平均数之间的差（离差）来进行判定相关性。

一个案例：