空间统计分析.pptVIP

第四章空间统计分析初步;本章主要内容;空间统计分析,即空间数据〔spatialdata〕的统计分析，是现代计量地理学中一个快速开展的方向和领域。

空间统计分析，其核心就是认识与地理位置相关的数据间的空间依赖、空间关联或空间自相关，通过空间位置建立数据间的统计关系。;WhyDoSpatialAnalysis?;Examples;CountyHomicide杀人罪Rates1990;GiniIndex1989;LISAClusterMaps;;ExamplesofResearchUsingSDA;第1节探索性空间统计分析;通常定义一个二元对称空间权重矩阵W，来表达n个位置的空间区域的邻近关系，其形式如下

式中：Wij表示区域i与j的临近关系，它可以根据邻接标准或距离标准来度量。;根据连接性①简单的二进制邻接矩阵

根据距离②基于距离的二进制空间权重矩阵;WeightsMatrixExample;〔二〕全局空间自相关;;Spatial

auto-correlation;;Geary系数C计算公式如下

式中：C为Geary系数；其他变量同上式。

如果引入记号;那么全局Moran指数I的计算公式也可以进一步写成

Moran指数I的取值一般在[-1，1]之间,小于0表示负相关，等于0表示不相关，大于0表示正相关；

Geary系数C的取值一般在[0，2]之间，大于1表示负相关，等于1表示不相关，而小于1表示正相关。;对于Moran指数，可以用标准化统计量Z来检验n个区域是否存在空间自相关关系，Z的计算公式为

;;example;latticeasabinarymatrixusingrook’smovedefinitions;A.Computationofvariance/covariance-likequantities,matrixC;；;I=？请完成;;空间联系的局部指标(LISA);LISA包括局部Moran指数〔localMoran〕和局部Geary指数〔localGeary〕，下面重点介绍和讨论局部Moran指数。;;G统计量;对统计量的检验与局部Moran指数相似，其检验值为

显著的正值表示在该区域单元周围，高观测值的区域单元趋于空间集聚，而显著的负值表示低观测值的区域单元趋于空间集聚,与Moran指数只能发现相似值(正关联)或非相似性观测值(负关联)的空间集聚模式相比，具有能够探测出区域单元属于高值集聚还是低值集聚的空间分布模式。;;Moran散点图的4个象限，分别对应于区域单元与其邻居之间4种类型的局部空间联系形式：

第1象限代表了高观测值的区域单元被同是高值的区域所包围的空间联系形式；

第2象限代表了低观测值的区域单元被高值的区域所包围的空间联系形式；

第3象限代表了低观测值的区域单元被同是低值的区域所包围的空间联系形式；

第4象限代表了高观测值的区域单元被低值的区域所包围的空间联系形式。;;二、应用实例;从表中可以看出，在1998—2002年期间，中国大陆30个省级行政区人均GDP的全局Moran指数均为正值；在正态分布假设之上，对Moran指数检验的结果也高度显著。这就是说，在1998—2002年期间，中国大陆30个省级行政区人均GDP存在着显著的、正的空间自相关，也就是说各省级行政区人均GDP水平的空间分布并非表现出完全的随机性，而是表现出相似值之间的空间集聚，其空间联系的特征是：较高人均GDP水平的省级行政区相对地趋于和较高人均GDP水平的省级行政区相邻，或者较低人均GDP水平的省级行政区相对地趋于和较低人均GDP水平的省级行政区相邻。;;检验结果说明，贵州、四川、云南西部3省的Z值在0.05的显著性水平下显著，重庆的Z值在0.1的显著性水平下显著，该4省市在空间上相连成片分布，而且从统计学意义上来说，与该区域相邻的省区，其人均GDP趋于为同样是人均GDP低值的省区所包围。

由此形成人均GDP低值与低值的空间集聚，据此可认识到西部落后省区趋于空间集聚的分布特征。;东部的江苏、上海、浙江三省市的Z值在0.05的显著性水平下显著，天津的Z值在0.1的显著性水平下显著。而东部上海、江浙等兴旺省市趋于为一些相邻经济开展水平相对较高的省份所包围，东部兴旺地区的空间集聚分布特征也显现出来。;以〔Wz,z〕为坐标，进一步绘制Moran散点图

可以发现，多数省〔直辖市、自治区〕位于第1和第3象限内，为正的空间联系，属于低低