GeoDa 空间回归分析前置知识[[GeoDa空间自相关分析]]难度等级⭐⭐⭐⭐⭐更新日期2026-03-16 目录1. 空间回归基础2. 空间滞后模型SLM3. 空间误差模型SEM4. 空间杜宾模型SDM5. 模型选择策略6. 地理加权回归GWR7. 实战案例1. 空间回归基础1.1 为什么需要空间回归传统OLS回归的假设经典线性回归OLS假设观测值相互独立误差项独立同分布i.i.d.无空间依赖性空间数据的挑战问题1空间依赖性Spatial Dependence - Tobler地理学第一定律 - 相邻区域的变量值相关 - 违背独立性假设 问题2空间异质性Spatial Heterogeneity - 关系在不同位置可能不同 - 全局模型可能掩盖局部模式后果使用OLS处理空间数据可能导致 1. 参数估计有偏Bias 2. 标准误估计错误Inefficient 3. 统计推断失效Invalid inference 4. 预测不准确1.2 空间回归模型分类空间回归模型 │ ├─ 空间滞后模型SLM/SAR │ └─ 因变量的空间依赖 │ ├─ 空间误差模型SEM │ └─ 误差项的空间依赖 │ ├─ 空间杜宾模型SDM │ └─ 包含因变量和自变量的空间滞后 │ ├─ 空间杜宾误差模型SDEM │ └─ 包含自变量的空间滞后和空间误差 │ └─ 地理加权回归GWR └─ 局部回归模型1.3 空间计量模型符号符号含义W空间权重矩阵Wy因变量的空间滞后Wε误差项的空间滞后WX自变量的空间滞后ρ(rho)空间自回归系数λ(lambda)空间误差系数β回归系数θ自变量空间滞后系数2. 空间滞后模型SLM2.1 模型形式空间滞后模型Spatial Lag Model, SLM也称为空间自回归模型SARy ρWy Xβ ε 其中 y n×1 因变量向量 X n×k 自变量矩阵 W n×n 空间权重矩阵 ρ 空间自回归系数-1 ρ 1 β k×1 回归系数向量 ε n×1 误差项向量2.2 经济学解释ρWy 表示因变量的空间滞后邻居的平均值 例子房价空间滞后模型 PRICE_i ρ × (邻居的平均房价) β₁ × INCOME_i β₂ × AREA_i ε_i 解释 - 本区域房价受邻居房价影响 - ρ 0邻居房价高本区域房价也高正向溢出 - ρ 0邻居房价高本区域房价低竞争效应2.3 适用场景应用领域研究问题ρ的含义房地产房价空间溢出邻里效应强度经济增长区域经济收敛知识溢出效应犯罪学犯罪空间扩散犯罪传染性疫情分析疫情传播传播速度2.4 GeoDa操作步骤步骤1数据准备1. 加载数据 File → Open → data.shp 2. 检查空间自相关 Space → Univariate Morans I 如果因变量存在空间自相关考虑SLM步骤2运行OLS回归基准模型1. Methods → Regression 2. 设置变量 ┌────────────────────────────────┐ │ Regression Setup │ ├────────────────────────────────┤ │ Dependent Variable: │ │ [PRICE ▼] │ │ │ │ Independent Variables: │ │ ☑ INCOME │ │ ☑ CRIME │ │ ☑ DIST_CBD │ │ │ │ Model Type: │ │ ◉ Classic (OLS) │ │ │ │ [Run] [Cancel] │ └────────────────────────────────┘ 3. 查看OLS结果并保存步骤3诊断空间依赖性OLS结果窗口查看 Spatial Diagnostics: ───────────────────────────────── Lagrange Multiplier (lag) 12.45 p 0.0004 *** Lagrange Multiplier (error) 8.23 p 0.0041 ** Robust LM (lag) 5.67 p 0.0172 * Robust LM (error) 1.45 p 0.2285 ───────────────────────────────── 解读 - LM(lag)显著 → 考虑SLM - LM(error)显著 → 考虑SEM - 如果都显著看Robust LM - Robust LM(lag)显著 → 选择SLM步骤4运行SLM1. Methods → Regression 2. 设置 ┌────────────────────────────────┐ │ Regression Setup │ ├────────────────────────────────┤ │ Dependent Variable: [PRICE] │ │ Independent Variables: │ │ ☑ INCOME, CRIME, DIST_CBD │ │ │ │ Model Type: │ │ ◉ Spatial Lag │ │ │ │ Weights: [queen_w1.gal ▼] │ │ │ │ [Run] [Cancel] │ └────────────────────────────────┘ 3. 点击 Run步骤5解读SLM结果───────────────────────────────────────── REGRESSION RESULTS: SPATIAL LAG MODEL ───────────────────────────────────────── Summary Statistics: R-squared: 0.723 Log-likelihood: -234.56 AIC: 479.12 SC: 491.34 Coefficients: ───────────────────────────────────────── Variable Coef Std Err t-stat p-value ───────────────────────────────────────── W_PRICE 0.425 0.089 4.775 0.0000 *** INCOME 0.856 0.123 6.959 0.0000 *** CRIME -0.234 0.067 -3.493 0.0005 *** DIST_CBD -0.178 0.045 -3.956 0.0001 *** CONSTANT 45.678 8.234 5.548 0.0000 *** ───────────────────────────────────────── W_PRICE Spatial autoregressive coefficient (ρ) Spatial Diagnostics: LR test (ρ0): 18.45 p 0.0000 *** ───────────────────────────────────────── 解读 1. ρ 0.425 0 且显著存在正向空间溢出 2. 邻居房价每增加1单位本区域房价增加0.425单位 3. R² 0.723模型解释了72.3%的方差 4. LR检验显著SLM优于OLS2.5 直接效应与间接效应由于空间滞后存在反馈效应需要区分 直接效应Direct Effect - 本区域自变量对因变量的影响 - 包含反馈效应 间接效应Indirect Effect/ 空间溢出效应 - 邻居自变量对本区域因变量的影响 总效应Total Effect - 直接效应 间接效应GeoDa计算效应SLM结果窗口 → Effects → Impact Measures 显示 ────────────────────────────────── Variable Direct Indirect Total ────────────────────────────────── INCOME 0.923 0.534 1.457 CRIME -0.252 -0.146 0.398 DIST_CBD -0.192 -0.111 -0.303 ────────────────────────────────── 解读INCOME - 直接效应0.923本区域收入增加1单位房价增加0.923 - 间接效应0.534邻居收入增加1单位本区域房价增加0.534 - 总效应1.457收入增加1单位的总体影响3. 空间误差模型SEM3.1 模型形式空间误差模型Spatial Error Model, SEMy Xβ u u λWu ε 合并后 y Xβ (I - λW)⁻¹ε 其中 λ 空间误差系数-1 λ 1 u 空间相关的误差项 ε 独立同分布误差项3.2 解释SEM假设误差项存在空间依赖性 可能原因 1. 遗漏变量存在空间自相关 2. 测量误差的空间模式 3. 未观测到的空间过程3.3 SLM vs SEM特性SLMSEM空间依赖位置因变量误差项理论机制真实的空间互动遗漏变量/测量误差政策含义邻里效应改善测量/控制变量溢出效应有需要计算无3.4 GeoDa操作步骤1运行SEM1. Methods → Regression 2. 设置 ┌────────────────────────────────┐ │ Regression Setup │ ├────────────────────────────────┤ │ Model Type: │ │ ◉ Spatial Error │ │ │ │ Weights: [queen_w1.gal ▼] │ │ │ │ [Run] [Cancel] │ └────────────────────────────────┘步骤2解读SEM结果───────────────────────────────────────── REGRESSION RESULTS: SPATIAL ERROR MODEL ───────────────────────────────────────── Summary Statistics: R-squared: 0.698 Log-likelihood: -238.12 AIC: 486.24 SC: 498.46 Coefficients: ───────────────────────────────────────── Variable Coef Std Err z-value p-value ───────────────────────────────────────── INCOME 0.812 0.118 6.881 0.0000 *** CRIME -0.256 0.071 -3.606 0.0003 *** DIST_CBD -0.165 0.048 -3.438 0.0006 *** CONSTANT 48.234 9.127 5.286 0.0000 *** ───────────────────────────────────────── Lambda (λ) 0.512 Std Err 0.098 z-value 5.224 p-value 0.0000 *** LR test (λ0): 11.34 p 0.0008 *** ───────────────────────────────────────── 解读 1. λ 0.512 0 且显著误差项存在正空间自相关 2. 可能存在遗漏的空间相关变量 3. LR检验显著SEM优于OLS4. 空间杜宾模型SDM4.1 模型形式空间杜宾模型Spatial Durbin Model, SDMy ρWy Xβ WXθ ε 包含 - 因变量的空间滞后 Wy系数ρ - 自变量的空间滞后 WX系数θ4.2 特点SDM是最一般的空间模型 1. 当 θ 0 时退化为SLM 2. 当 θ -ρβ 时退化为SEM 3. 可以捕捉更复杂的空间互动 优势 - 包含自变量的空间溢出 - 更灵活的模型设定 - 减少遗漏变量偏误4.3 GeoDa操作运行SDM1. Methods → Regression 2. 设置 ┌────────────────────────────────┐ │ Regression Setup │ ├────────────────────────────────┤ │ Model Type: │ │ ◉ Spatial Durbin │ │ │ │ Weights: [queen_w1.gal ▼] │ │ │ │ ☑ Add Spatial Lag of X │ │ │ │ [Run] [Cancel] │ └────────────────────────────────┘解读SDM结果───────────────────────────────────────── REGRESSION RESULTS: SPATIAL DURBIN MODEL ───────────────────────────────────────── Coefficients: ───────────────────────────────────────── Variable Coef Std Err t-stat p-value ───────────────────────────────────────── W_PRICE (ρ) 0.385 0.092 4.185 0.0000 *** INCOME 0.823 0.125 6.584 0.0000 *** CRIME -0.245 0.069 -3.551 0.0004 *** DIST_CBD -0.182 0.047 -3.872 0.0001 *** ───────────────────────────────────────── W_INCOME (θ) 0.312 0.145 2.152 0.0314 * W_CRIME (θ) -0.178 0.089 -2.000 0.0455 * W_DIST_CBD (θ) -0.095 0.062 -1.532 0.1256 ───────────────────────────────────────── CONSTANT 42.567 9.234 4.611 0.0000 *** ───────────────────────────────────────── 解读 1. W_INCOME 0.312 0邻居收入对本区域房价有正向影响 2. W_CRIME -0.178 0邻居犯罪率对本区域房价有负向影响 3. θ系数显著 → SDM优于SLM4.4 模型检验LR检验SDM vs SLMH₀: θ 0SLM更优 H₁: θ ≠ 0SDM更优 LR test: 8.56 p-value: 0.014 * 结论拒绝H₀SDM优于SLMLR检验SDM vs SEMH₀: θ -ρβSEM更优 H₁: θ ≠ -ρβSDM更优 LR test: 6.23 p-value: 0.044 * 结论拒绝H₀SDM优于SEM5. 模型选择策略5.1 Elhorst选择流程步骤1运行OLS回归 步骤2检验空间依赖性 ├─ LM(lag)不显著 且 LM(error)不显著 │ → 使用OLS │ ├─ LM(lag)显著 且/或 LM(error)显著 │ │ │ ├─ 只有LM(lag)显著 │ │ → 使用SLM │ │ │ ├─ 只有LM(error)显著 │ │ → 使用SEM │ │ │ └─ 两者都显著 │ ├─ Robust LM(lag)显著 │ │ → 使用SLM │ │ │ ├─ Robust LM(error)显著 │ │ → 使用SEM │ │ │ └─ 两者都显著 │ → 运行SDM做LR检验5.2 基于信息准则选择比较AIC/BIC 模型 AIC BIC ───────────────────────── OLS 512.34 524.56 SLM 479.12 491.34 SEM 486.24 498.46 SDM 472.45 496.89 选择规则 - AIC/BIC越小越好 - SDM的AIC最小 → 选择SDM5.3 理论驱动的选择理论机制推荐模型理由邻里效应SLM相邻单元直接互动知识溢出SDM自变量和因变量都有溢出遗漏变量SEM控制未观测的空间相关测量误差SEM误差项的空间模式不确定SDM最一般模型减少偏误6. 地理加权回归GWR6.1 概念地理加权回归Geographically Weighted Regression, GWR是一种局部回归方法允许回归系数在空间上变化。全局回归 y_i β₀ β₁x₁ᵢ β₂x₂ᵢ εᵢ β对所有位置相同 GWR y_i β₀(uᵢ,vᵢ) β₁(uᵢ,vᵢ)x₁ᵢ β₂(uᵢ,vᵢ)x₂ᵢ εᵢ β随位置(u,v)变化6.2 权重函数GWR使用核函数对邻近观测赋予更高权重固定带宽Fixed Bandwidth所有位置使用相同的带宽h 高斯核 wᵢⱼ exp(-dᵢⱼ² / 2h²) 其中 dᵢⱼ 位置i和j的距离 h 带宽参数自适应带宽Adaptive Bandwidth每个位置选择固定数量的最近邻 bi-square核 wᵢⱼ [1 - (dᵢⱼ/dᵢ^(k))²]² if dᵢⱼ dᵢ^(k) wᵢⱼ 0 otherwise 其中 dᵢ^(k) 位置i到第k个最近邻的距离6.3 带宽选择交叉验证法CVCV(h) Σᵢ [yᵢ - ŷ_≠ᵢ(h)]² 选择h使CV(h)最小 ŷ_≠ᵢ(h) 排除位置i后的GWR预测值AIC准则AIC(h) n × ln(RSS/n) n × ln(2π) n tr(S) 其中 tr(S) GWR帽子矩阵的迹有效参数数量 选择h使AIC(h)最小6.4 GeoDa操作步骤1运行GWR1. Methods → GWR 2. 设置变量 ┌────────────────────────────────┐ │ GWR Setup │ ├────────────────────────────────┤ │ Dependent Variable: [PRICE] │ │ Independent Variables: │ │ ☑ INCOME, CRIME, DIST_CBD │ │ │ │ Bandwidth Type: │ │ ◉ Adaptive │ │ ○ Fixed │ │ │ │ Kernel Function: │ │ ◉ Bi-square │ │ ○ Gaussian │ │ │ │ Bandwidth Selection: │ │ ◉ AICc │ │ ○ CV │ │ │ │ [Run] [Cancel] │ └────────────────────────────────┘步骤2查看GWR结果───────────────────────────────────────── GWR RESULTS ───────────────────────────────────────── Bandwidth: 45 (adaptive, bi-square) Kernel: Adaptive bi-square Summary of Local Coefficients: ───────────────────────────────────────── Variable Min Mean Max Std ───────────────────────────────────────── INCOME 0.512 0.834 1.245 0.156 CRIME -0.412 -0.256 -0.123 0.068 DIST_CBD -0.289 -0.178 -0.089 0.047 ───────────────────────────────────────── Global R-squared: 0.723 Local R-squared: Mean 0.756, Min 0.612, Max 0.834 ───────────────────────────────────────── 解读 1. INCOME系数范围[0.512, 1.245]收入对房价的影响存在空间异质性 2. 局部R²均值0.756 全局R² 0.723GWR拟合更好 3. 可以绘制系数的空间分布图步骤3可视化GWR系数GWR结果窗口 → Maps → Coefficient Maps 显示 - INCOME系数空间分布图 - CRIME系数空间分布图 - DIST_CBD系数空间分布图 - 局部R²空间分布图 发现 - 市中心INCOME系数较小房价对收入不敏感 - 郊区INCOME系数较大房价对收入敏感6.5 GWR vs 全局空间模型特性全局模型SLM/SEMGWR系数全局常数局部变化空间异质性无法捕捉可以捕捉空间依赖通过W建模通过权重函数解释全局平均效应局部空间模式预测全局预测局部预测6.6 GWR局限1. 计算量大n²复杂度 2. 过度拟合风险大量参数 3. 多重共线性局部样本少 4. 无法同时建模空间依赖和空间异质性7. 实战案例案例1房价决定因素分析研究问题研究区域某市200个街区 研究问题房价的空间决定因素及溢出效应数据因变量 - PRICE房价元/平方米 自变量 - INCOME家庭收入万元 - CRIME犯罪率件/千人 - DIST_CBD到CBD距离km - GREEN绿地覆盖率% - SCHOOL学区评分1-10分析步骤步骤1探索性分析1. 绘制房价分位数地图 Map → Quantile Map → PRICE 发现房价呈明显的空间聚集模式 2. 全局Morans I Space → Univariate Morans I → PRICE 结果I 0.672, p 0.001 结论房价存在显著空间自相关步骤2OLS回归Methods → Regression → Classic 结果 ───────────────────────────────────────── Variable Coef Std Err t-stat p-value ───────────────────────────────────────── INCOME 0.856 0.112 7.643 0.0000 *** CRIME -0.234 0.065 -3.600 0.0004 *** DIST_CBD -0.178 0.042 -4.238 0.0000 *** GREEN 0.089 0.034 2.618 0.0094 ** SCHOOL 0.156 0.048 3.250 0.0013 ** CONSTANT 25.678 6.234 4.118 0.0001 *** ───────────────────────────────────────── R-squared: 0.654 Spatial Diagnostics: LM(lag) 23.45, p 0.0000 *** LM(error) 18.23, p 0.0000 *** Robust LM(lag) 8.56, p 0.0034 ** Robust LM(error) 3.34, p 0.0676 ───────────────────────────────────────── 诊断 - 空间依赖性显著 - Robust LM(lag)显著 → 优先考虑SLM步骤3空间滞后模型SLMMethods → Regression → Spatial Lag 结果 ───────────────────────────────────────── Variable Coef Std Err t-stat p-value ───────────────────────────────────────── W_PRICE 0.425 0.085 5.000 0.0000 *** INCOME 0.812 0.108 7.519 0.0000 *** CRIME -0.225 0.062 -3.629 0.0003 *** DIST_CBD -0.168 0.040 -4.200 0.0000 *** GREEN 0.085 0.032 2.656 0.0079 ** SCHOOL 0.148 0.045 3.289 0.0010 ** CONSTANT 18.456 6.012 3.071 0.0021 ** ───────────────────────────────────────── R-squared: 0.723 LR test (ρ0): 18.34, p 0.0000 *** Effects: Variable Direct Indirect Total ────────────────────────────────── INCOME 0.876 0.523 1.399 CRIME -0.243 -0.145 -0.388 ────────────────────────────────── 解读 1. ρ 0.425邻居房价每增加1%本区域房价增加0.425% 2. INCOME直接效应0.876本区域收入增加1万房价增加876元/m² 3. INCOME间接效应0.523邻居收入增加1万本区域房价增加523元/m² 4. R²提升至0.723SLM优于OLS步骤4空间杜宾模型SDMMethods → Regression → Spatial Durbin 结果 ───────────────────────────────────────── Variable Coef t-stat p-value ───────────────────────────────────────── W_PRICE (ρ) 0.385 4.523 0.0000 *** INCOME 0.798 7.156 0.0000 *** CRIME -0.218 -3.412 0.0006 *** DIST_CBD -0.172 -4.012 0.0001 *** GREEN 0.082 2.512 0.0120 * SCHOOL 0.142 3.089 0.0020 ** ───────────────────────────────────────── W_INCOME 0.285 2.156 0.0311 * W_CRIME -0.165 -2.012 0.0442 * W_DIST_CBD -0.088 -1.456 0.1456 W_GREEN 0.065 1.234 0.2171 W_SCHOOL 0.112 1.567 0.1171 ───────────────────────────────────────── R-squared: 0.738 LR test (SDM vs SLM): 6.78, p 0.234 ───────────────────────────────────────── 诊断 - LR检验不显著 → SLM可能足够 - 但W_INCOME和W_CRIME显著 → 空间溢出存在步骤5地理加权回归GWRMethods → GWR 结果 ───────────────────────────────────────── Summary of Local Coefficients: Variable Min Mean Max Std ───────────────────────────────────────── INCOME 0.512 0.815 1.345 0.178 CRIME -0.412 -0.225 -0.089 0.078 DIST_CBD -0.289 -0.168 -0.067 0.052 ───────────────────────────────────────── Local R-squared: Mean 0.762 发现 1. INCOME系数变化最大标准差0.178 - 市中心系数较小≈0.6 - 郊区系数较大≈1.2 → 郊区房价对收入更敏感 2. CRIME系数也有空间变化 - 北部影响较大≈-0.35 - 南部影响较小≈-0.15最终模型选择综合考虑 1. 理论机制 - 房价存在邻里效应 → SLM/SDM - 自变量溢出存在 → SDM 2. 统计检验 - Robust LM(lag)显著 → SLM/SDM - LR检验不显著 → SLM足够 3. 拟合优度 - SLM R² 0.723 - SDM R² 0.738提升有限 - GWR Local R² 0.762最高 推荐模型 - 主要分析SLM简洁易解释 - 补充分析GWR探索空间异质性政策建议基于SLM结果 1. 空间溢出效应ρ 0.425 - 房价政策需考虑区域协调 - 单个街区的改善会带动周边 2. 收入效应直接0.876 间接0.523 1.399 - 提高居民收入是提升房价的根本 - 邻居收入提升也会带动本区域房价 3. 犯罪率直接-0.243 间接-0.145 -0.388 - 降低犯罪率对房价有显著正向影响 - 治安改善存在空间溢出 4. 学区0.148 - 教育资源对房价影响显著 - 学区房政策需谨慎制定案例2经济增长收敛性分析研究问题研究区域中国31个省份 研究问题经济增长是否存在β收敛 落后地区增长是否更快模型设定β收敛模型 ln(yᵢ,ₜ₊ₜ / yᵢ,ₜ) α β × ln(yᵢ,ₜ) εᵢ 其中 yᵢ,ₜ 省份i在t年的人均GDP yᵢ,ₜ₊ₜ 省份i在tT年的人均GDP β 0 → 存在收敛 考虑空间效应 ln(yᵢ,ₜ₊ₜ / yᵢ,ₜ) α β × ln(yᵢ,ₜ) ρ × W × ln(yᵢ,ₜ₊ₜ / yᵢ,ₜ) εᵢGeoDa分析1. 数据准备 - 计算1990-2020年人均GDP增长率 - 创建省份邻接权重 2. OLS回归 β -0.023, p 0.056边缘显著 LM(lag) 5.67, p 0.017 * 3. SLM回归 β -0.031, p 0.012 * ρ 0.312, p 0.023 * 结论 - 考虑空间效应后β收敛显著 - 存在正向空间溢出ρ 0.312 - 落后省份增长更快但受邻居影响8. 结果报告撰写8.1 标准报告结构## 空间回归分析结果 ### 1. 模型选择 **空间依赖性诊断** - LM(lag) 23.45, p 0.001 - LM(error) 18.23, p 0.001 - Robust LM(lag) 8.56, p 0.003 - Robust LM(error) 3.34, p 0.068 **模型选择**基于Robust LM检验选择空间滞后模型SLM ### 2. 回归结果 **SLM估计结果** | 变量 | 系数 | 标准误 | t值 | p值 | 直接效应 | 间接效应 | 总效应 | |------|------|--------|-----|-----|----------|----------|--------| | ρ | 0.425 | 0.085 | 5.00 | 0.000 | - | - | - | | INCOME | 0.812 | 0.108 | 7.52 | 0.000 | 0.876 | 0.523 | 1.399 | | CRIME | -0.225 | 0.062 | -3.63 | 0.000 | -0.243 | -0.145 | -0.388 | **模型拟合** - R² 0.723 - LR test (ρ0) 18.34, p 0.001 ### 3. 主要发现 1. **空间溢出效应显著**ρ 0.425, p 0.001 - 邻居房价每增加1%本区域房价增加0.425% 2. **收入对房价有正向影响** - 直接效应0.876 - 间接效应0.523 - 总效应1.399 3. **犯罪率对房价有负向影响** - 直接效应-0.243 - 间接效应-0.145 ### 4. 政策建议 基于空间回归结果建议 1. 制定区域协调的房价调控政策 2. 通过提高收入水平提升房价 3. 加强治安管理降低犯罪率9. 常见问题Q1: OLS和SLM的系数可以比较吗不能直接比较 原因 1. SLM的系数解释不同包含空间反馈 2. SLM应看直接效应而非原始系数 正确做法 - SLM报告直接效应、间接效应 - OLS系数 ≈ SLM直接效应如果ρ较小Q2: ρ值很大0.8怎么办可能问题 1. 空间权重矩阵设定不当 2. 数据存在高度空间依赖 3. 变量选择问题 解决方案 1. 检查权重矩阵尝试不同类型 2. 增加控制变量 3. 考虑变量变换对数、差分Q3: 如何处理负的ρ值ρ 0 可能原因 1. 竞争效应邻居高本区域低 2. 替代效应 3. 数据问题 例子 - 商业中心竞争ρ 0正常 - 房价通常ρ 0如果ρ 0需检查Q4: GWR结果如何汇总GWR产生大量局部系数汇总方法 1. 描述性统计Min, Mean, Max, Std 2. 绘制系数空间分布图 3. 识别系数极端值区域 4. 结合专业知识解释空间变化10. 小结空间回归分析是处理空间数据的核心方法。关键要点OLS假设不适用于空间数据SLM捕捉因变量的空间依赖SEM捕捉误差项的空间依赖SDM是最一般的空间模型GWR捕捉空间异质性模型选择需结合统计检验和理论机制关注直接效应和间接效应最佳实践先运行OLS诊断空间依赖使用LM检验选择模型报告直接效应和间接效应结合GWR探索空间异质性图表结合增强可读性附录数学推导SLM的简化形式y ρWy Xβ ε (I - ρW)y Xβ ε y (I - ρW)⁻¹Xβ (I - ρW)⁻¹ε 空间乘数M (I - ρW)⁻¹ I ρW ρ²W² ρ³W³ ... 总效应 M × β 直接效应 diag(M) × β 间接效应 (M - I) × βSEM的ML估计对数似然函数 ln L -n/2 ln(2π) - 1/2 ln|Ω| - 1/2 eΩ⁻¹e 其中 Ω σ²(I - λW)⁻¹(I - λW)⁻¹ e y - Xβ 通过数值优化求解GWR的局部估计对于位置i加权最小二乘 β̂(i) (XW(i)X)⁻¹XW(i)y 其中 W(i) diag(wᵢ₁, wᵢ₂, ..., wᵢₙ) wᵢⱼ 核函数位置j到位置i的距离