时空统计分析（二）空间关联性探索

Question

如题所述

Answer 1

在人们的探索过程中，发现空间关联性现象普遍存在于政治经济领域以及生物地理方面，近处的关联性往往强于远处。托布勒提出了地理学第一定律，阐述了这一观点。

空间关联性包括自关联性和交叉关联性。为了揭示空间的关联性，探讨空间对象的空间依赖关系至关重要。在时空统计分析中，空间权重矩阵的设置是多数分析的前提与基础，分为邻接性空间依赖关系和距离性空间依赖关系。

邻接性空间依赖关系中，空间相邻关系分为三种类型：Bishop邻接、Rock邻接和Queen邻接。Queen邻接结合了Bishop邻接和Rock邻接的特点，实际应用中较为常见。值得注意的是，在实际研究中，Queen邻接在现实情况中的应用更为广泛，而Bishop邻接在地图形状多为不规则形的情况下，应用较为罕见。

距离性空间依赖关系中，狭义距离通常指的是几何距离，最常用的为地理距离加权矩阵。广义距离则为经济距离权重矩阵，基于人均地区生产总值的差异计算权重。

空间权重矩阵的创建通常在GeoDa软件中实现。操作步骤包括打开GeoDa软件、放入地图、选择工具-权重管理器，创建新的矩阵文件、添加ID列以及选择创建的空间权重矩阵类型。不同矩阵文件的后缀不同，如邻接矩阵为.gal，k最近邻居为.gat，距离矩阵为.gwt。

探索性空间数据分析（ESDA）旨在识别变量的空间关联性和集聚现象。此类分析主要使用的两类工具包括全局空间关联性指标（如全局莫兰指数I和盖里指数C）和局部空间自相关性指标（如局部莫兰指数I和盖里指数C）。全局关联性指标分为自关联性和交叉关联性，而局部关联性指标则专注于研究区域内各个地域单元的关联性。

空间自相关性分析用于研究某点观察值与其相邻点观察值的相关性，揭示研究变量在研究区域中的空间分布特性。全局莫兰指数主要反映研究对象的总体空间自相关性，而局部莫兰指数则揭示研究对象在研究区域中的空间聚集形态。