空间自相关聚集分析.doc

空間自相關聚集分析 陳慈仁、林峰田、何燦群 一、概述 在統計上，透過相關分析(correlation analysis)可以檢測兩種現象(統計量)的變化是否存在相關性，例如：稻米的產量，往往與其所處的土壤肥沃程度相關。若其分析之統計量係為不同觀察對象之同一屬性變量，則稱之為「自相關」（autocorrelation）。是故，所謂的空間自相關（spatial autocorrelation）乃是研究「空間中，某空間單元與其周圍單元間，就某種特徵值，透過統計方法，進行空間自相關性程度的計算，以分析這些空間單元在空間上分佈現象的特性」。 計算空間自相關的方法有許多種，然最為知名也最為常用的有：Moran’s I、Geary’s C、Getis、Join count等等。但這些方法各有其功用，同時亦有其適用範疇與限制，當然自有其優缺點。一般來說，方法在功用上可大致分為兩大類：一為全域型（Global Spatial Autocorrelation），另一則為區域型（Local Spatial Autocorrelation）兩種。 全域型的功能在於描述某現象的整體分佈狀況，判斷此現象在空間是否有聚集特性存在，但其並不能確切地指出聚集在哪些地區。且若將全域型不同的空間間隔（spatial lag）的空間自相關統計量依序排列，還可進一步作空間自相關係數圖（spatial autocorrelation coefficient correlogram），分析該現象在空間上是否有階層性分佈。而依據Anselin（1995）提出LISA（Local Indicators of Spatial Association）方法論說法，區域型之所以能夠推算出聚集地（spatial hot spot）的範圍，主要有兩種：一是藉由統計顯著性檢定的方法，檢定聚集空間單元相對於整體研究範圍而言，其空間自相關是否夠顯著，若顯著性大，即是該現象空間聚集的地區，如：Getis和Ord（1992）發展的Getis統計方法；另外，則是度量空間單元對整個研究範圍空間自相關的影響程度，影響程度大的往往是區域內的「特例」（outliers），也就表示這些「特例」點往往是空間現象的聚集點，例如：Anselin’s Moran Scatterplot。 在許多研究案例中，Moran’s I 和Getis是最被經常使用的方法。下文將分別介紹之。 二、全域型Moran’s I法 全域型Moran’s I計算方式，是基於統計學相關係數的共變數（covariance）關係推算得來。一般而言，統計學上的變異數與共變數皆是用於數值資料改變程度的度量工具。變異數是一組變數（）內部變量的平均單位，以組內各數與平均數（）差距之平方和，除以總項數而得。其公式如下： 而共變數乃是兩組數相互變量的平均單位，由其中一組變數的每項（），對平均數（）的差距，而另一組變數的每項（），對平均數（）的差距之相乘積，除以總項數而得。公式如下： 當（-）與（-）兩組數同時為正，或為負時，則（-）(-）必為正，代表兩組數變化相同，或大部分方向相同，因此其為正相關。反之，若（-）與（-）分別為一正一負時，則（-）(-）必為負，代表兩組數的變化方向不同，因此兩組數是呈負相關。此外，（-）(-）的大小，亦受（-）與（-）兩組數與其平均數變化有關，兩者均大、一大一小，或是兩者皆小，都會使得（-）（-）變化甚微，因此共變數的大小程度亦即代表兩組數的相關性大小。因此，Moran’s I便基於這種概念發展而出，而全域型的Moran’s I的公式如下： 其中，Wij是研究範圍內每一個空間單元i 與j（）區空間單元的空間相鄰權重矩陣。以1當作i 與j相鄰時，而以0表示i 與j不相鄰。 而I的期望值為 其變異數（虛無假設為隨機分佈）為 其中 Wi.為空間相臨權重矩陣i 行 W.i為i 列 依照以上步驟計算出的Moran’s I值結果一定介於-1到1之間，大於0為正相關，小於0為負相關，且值越大表示空間分佈的相關性越大，即空間上有聚集分佈的現象(如圖1)。反之，值越小代表示空間分佈相關性小，而當值趨於0時，即代表此時空間分佈呈現隨機分佈的情形。 圖1 空間自相關正負結果示意圖 Moran’s I0（正相關） Moran’s I0（負相關） 若要將單位去除，則I 值標準化的公式如下： 對I值進行顯著性檢定時，在5%顯著水準下，Z(I)大於1.96時，表示研究範圍內某現象的分佈有顯著的關連性，亦即範圍內存有空間單元彼此的空間自相關性。而Z(I)