一、理论部分
在做变量的空间相关性时,一般分为两部分:1.全局莫兰指数分析 2.局域莫兰指数分析 。
全局莫兰指数主要是观察指标的整体的聚集效应,莫兰指数大于0呈现空间正相关,小于0呈现空间负相关。计算公式如下:
公式截图来自我的论文初稿,自己总结的,可能存在一些错误,具体的可以自行查阅权威论文。
局部莫兰分析是对地区之间的指标的相互影响进行具体分析,主要可以通过LISA聚集图或者莫兰散点图进行分析,公式如下:
二、实证分析
2.1 全局莫兰指数
从理论部分的公式可以看出,计算全局莫兰指数时必须先得到空间权重矩阵。空间权重通过Arcgis,geoda,stata均可以得到,本文介绍的是通过geoda得到的。计算空间权重的界面如下,往期文章有具体介绍,这里不再赘述。
通过geoda主要有两种方法,一种是基于邻接的矩阵,另一种是基于距离的矩阵。第一种是通过观察两地区是否有共同边或公共点来构建的矩阵,第二种是通过两地物理距离来构建的矩阵。通过两种方法得到的矩阵文件有两种格式:.gal和.gwt格式。我采用的是距离法中的k邻近法构建的空间权重矩阵,文件格式为.gwt。
第一行表示地区340800与地区340200相邻,两地距离为1.75017477。
但这种格式的矩阵没法计算莫兰指数,需要先转换成n*n形式(n为地区的个数),我用的是stata进行转换的,代码和注释如下:
clear
cd "E:\未来方向\stata和R" //转至stata和R文件下
spmat import Matrix_2 using merge_1_9_6.gwt, geoda //转成矩阵存在object Matrix_2中
spmat getmatrix Matrix_2 W_2 //从object中提出W_2
getmata (x*)=W_2 //添加变量名
save W_2.dta,replace
spatwmat using W_2.dta,n(W_2)
得到的n*n的矩阵为W_2.dta,如图2-1:
注:n即为取的地区的个数,如果分析的是26个城市的某个指标的空间相关性,则n=26
图 2-1 W_2.dta矩阵展示图
全局莫兰指数的stata代码如下:
clear
import excel "E:\未来方向\stata和R\莫兰指数数据\X.xls", sheet("2014") firstrow
cd "E:\未来方向\stata和R"
spatwmat using W_2.dta,name(w_12) // 全局莫兰
spatgsa X1,weights(w_12) moran
得到的结果如图2-2,p值小于0.05可以认为通过了显著性检验,指标具有较强的空间相关性:
图 2-2 全局莫兰检验
哦豁,扎心,我的数据检验没通过。。。。
2.2 局域莫兰指数
(1)莫兰散点图
cd "E:\未来方向\stata和R"
spatgsa SO2,weights(w_12) moran
spatwmat using W_2.dta,name(w_12) standardize // 局部莫兰
W_2.dta是上文建立n*n的矩阵,结果如图
图 2-3 局部莫兰散点图
从图2-3可看出,除编号为5的城市外,其他城市的空间相关性大致可分为两类,高高聚集和低低聚集。
(2)lisa聚集图
LISA聚集图和局部莫兰指数图作用差不多,不过能更直观从地图上展示具体情况。