(1) 探索性回归,是一种数据挖掘工具,通过对上述解释变量的每种可能组合进行评估,查找到正确指定的OLS回归模型。合格模型的最小校正可决系数(Adjusted R²,以下简称“校正R²”) 值为0.5,最大方差膨胀因子(VIF) 值边界为7.5,最小Jarque-Bera p值为0.1。此时,模型通过了Jarque-Bera 检验和共线性诊断,残差呈正态分布,能解释因变量中至少50% 的变化。
(2) 普通最小二乘法(OLS)回归,是应用最广泛的传统( 非空间) 统计方法,也是空间回归分析方法的正确起点,可以从针对因变量所构建的自变量指标中筛选出对其具有显著影响的因素。当模型解释变量与因变量的关系在整个研究区中都一致时,作为全局模型的OLS 回归能构造出最佳解释方程。但具有空间自相关性和空间异质性这两种内在本性的空间数据经常与OLS回归的假定条件及要求不符,可能会导致模型估计产生偏差,需引入GWR 模型,以构建运算结果更符合实际的回归方程。不直接采用GWR模型的原因在于其诊断性不强。
在OLS回归结果中,校正R2用于衡量模型的性能;VIF用于测量解释变量中的冗余;Koenker(BP) 统计量用于确定解释变量是否在地理空间中与因变量具有一致的关系,其p值小于0.05表示模型具有统计学上的显著非稳态,适合进行GWR分析。在Koenker(BP) 统计量具有显著性的情况下,参考联合卡方统计量评估模型的统计显著性,其p 值小于0.05表示模型整体显著;系数反映解释变量与因变量之间的关系类型和强度,其统计显著性使用稳健概率评估。
(3) 地理加权回归(GWR),是基于局部光滑思想提出的空间回归模型,既能有效估计具有空间自相关性的数据,也能反映参数在不同区域的空间非平稳性。
在GWR结果中,除多重可决系数(Multiple R²,以下简称“R²”) 和校正R²外,AICc 也可用于检验模型性能,并能比较回归模型,其值较低的模型能更好地拟合数据,是更佳的模型;当条件数小于0、大于30时,表明模型存在局部多重共线性,结果不可靠。