空间自相关聚集分析.docx

空間自相關聚集分析 陳慈仁、林峰田、何燦群 一、槪述 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 其分析之統計量係爲不同觀察對象之同一性變量，則稱之爲「自相關 其分析之統計量係爲不同觀察對象之同一 性變量，則稱之爲「自相關 (autocorrelation) °是故，所謂的空間自相關(spatial autocorrelation)乃是硏究「空 間屮，某空間單元與其周圍單元間就某種特徵値，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，然最爲知名也最爲常用的有：Morans I、 Gearys 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爲兩大類：一爲 全域型(Global Spatial Autocorrelation)? 另一則爲區域型(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硏究範圍 而言其空間口相關是否夠顯著，若顯著性人即是該現象空間聚集的地區如: Getis和OTd ( 1992)發展的Getis統計方法；另外，則是度量空間單元對整個硏 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j(outliers)， 也就表示這些「特例」點往往是空間現象的聚集點例如：Anselin^ Moran Scatterplot ° 在許多硏究案例中，Monms I和Getis是最被經常使用的方法。下文將分別 介紹之。 乜攵寫自「陳慈仁(2001)台北市資訊軟體業與網際網路服務業區位分佈之硏究(第三童)I 國立台灣大學建築城鄕硏究所碩士論文。 二、全域型Morans 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。…般而言，統計學上的變異數與共變數皆是用於數値資料改變程 度的度量工具。變異數是一組變數（山）內部變量的平均單位以組內各數與平 均數（匚）差距之平方和，除以總項數而得。其公式如下： 變異數（var^ce）=血-匚） n n 而共變數乃是兩組數相互變量的平均單位，由其中一組變數呼項（兀）， 對平均數（匚）的差距，而另一組變數的每項（X ）對平均數（?）的差距之 相乘積，除以總項數而得。公式如下： 共變數(cov ariance)= 當（兀匸）與（X J）兩組數同時爲正，或爲負時，則（兀匸）（X J） 必爲正，代表兩組數變化相同，或大部分方向相同，因此其爲正相關。反之，若 （兀r）與（y（-y ）分別爲一正一負時‘則（兀厂兀）（z-y ）必爲負‘代表兩 組數的變化方向不同，因此兩組數是呈負相關。此外，（兀d ） （）「亍）的大小‘ 亦受（兀4 ）與（X J ）兩組數與其平均數變化有關‘兩者均大、一大一力、‘ 或是兩者皆小，都會使得（兀4）（）“亍）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，Morano I便基於這種槪念發展而出，而全 域型的Moran ?s I的公式如下： n 厂x ；=1 7=1 其中，加:/是硏究範圍內每一個空間單元/與八丿上｛1,2,3,.../ ｝）區空間單 元的空間相鄰權重矩陣。以1當作1與丿相鄰時，而以0表示/與丿不相鄰。 而/的期望値爲 -1 （H - 1） 其變異數（虚無假設爲隨機分佈）爲 （h-1X7i-2Xh-3）502畑（/）= {斤[?2 _3〃 + 3 - 心2 +3So]}_*b2 _亦 _2応 +6S°2」_ （h-1X7i-2Xh-3）502 其中 s. = ttwij S3 = ￡（m. + W# WZ爲空問相臨權重矩陣i行 W.i爲I列 f=l f ）力 f ）力 -i=l _ 依照以上步驟計算出的Morano