热点分析的原理

重读了下esri的文档，觉得其实讲的挺清晰的。下面是参考官方文档后的理解。

z得分和p值

热点分析可以得到比较重要的两个东西，z得分和p值。这两个值用来帮助判断是否可以拒绝零假设。对于热点分析而言，零假设是要素的完全空间随机性。简单来说，我们希望要素能够得出的结论是具有显著的聚集或离散模式，而不是随机模式。

p值表示概率，表示所观测到的空间模式是由某种随机过程创建而成的概率。如果p很小，则说明观测到的空间模式不太可能产生随机过程（小概率事件），因此可以拒绝零假设。

z得分是标准差的倍数。如果z得分是+2.5，可以说z得分是标准差的2.5倍。z得分的绝对值越高，高值（热点）的聚类就越紧密。所不同的是，正的高值表示热点，负得高值表示冷点。

上图真tm清晰。如果要作出判断，则必须选择置信度，不同置信度和临界p值、临界z得分之间的关系。

z得分的绝对值很大，同时p值很小的时候（即出现在正态分布的两端），往往意味着数据里蕴含着有趣的东西。例如“热点分析”中的显著的热点与冷点。

热点分析的意义

所以，回到热点分析，如果需要有显著意义，第一是要素自己是高值，第二是要被其他同样具有高值的要素包围。如果把某个要素及相邻要素的局部总和与所有要素的总和进行比较，如果与预期相比差异很大，则说明不随机，会产生一个有显著的统计学意义的z得分。