6讲空间统计分析.pdfVIP

第6讲 空间统计分析 学习目标 • 了解空间自相关分析方法及其应用 （GeoDa ） 空间统计vs非空间统计 • 空间统计和非空间统计 （传统统计方法） 在概念和目标方面可能存在某些相似性 • 但空间统计具有独特性，因为它们是专门 为了处理空间数据的 • 与传统非空间统计分析方法不同，空间统 计方法是将空间 （邻域、区域、连通性和/ 或其他空间关系）直接融入到数学中 空间统计分析  空间统计分析,即空间数据 （spatial data ）的统 计分析，是区域分析中的一个快速发展的方向 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。 Outline 一、空间关系 二、空间依赖性 三、空间权重矩阵  四、空间统计量与相关符号 五、全局空间自相关统计量  六、局部空间自相关统计量 七、Moran散点图 八、双变量空间自相关 一、空间关系 • （一）空间模式与空间过程 – 地理对象基于其特性或人类的活动，形成了各种各样 的空间分布模式 – 空间模式(spatial pattern)随时间发生的变化反映了由基 本环境因素或人文因素所决定的动态空间过程 – 空间模式是静态概念，所显示的只是地理对象在给定 时间的分布情况 – 空间过程(spatial process)是动态概念，因为其描述和说 明的是地理对象的分布情况是如何形成的，以及随时 间如何变化 一、空间关系 • （二）空间模式分类 – 聚集模式 （clustered pattern ）：分布聚集，某一现象在空间上邻 近聚集 – 分散模式 （dispersed pattern ）：分布比较均匀，且彼此离得较远 。表明相邻地理对象在某一现象上可能存在互斥的空间关系 – 随机模式 （random pattern ）：既不聚集，也不分散。表明可能不 存在控制分布方式的系统性结构或机制/过程 – 现实：极少能遇到极端聚集、极端分散或极端随机的模式 二、空间依赖性 • （一）空间依赖性 – 当我们测度一组给定区域内多个多边形 （点）的相似性或差异性 ，并判断空间模式时，实际上是在测度空间自相关程度或空间依 赖性 （Odland，1988） – 空间自相关 （spatial autocorrelation ）：属性值在空间上相关，或 者说是属性值的相关性是由对象或要素的地理次序或地理位置造 成的。如，相邻农场的产量很可能相似 – 空间自相关数据的性质：数据值之间的关系不是随机的，而是存 在空间上的特征，如聚集、分散 二、空间依赖性 • （二）空间模式的意义 – 分析空间模式随时间的变化，可更好地了解空间模式从过去 到现在的变化情况，并对空间模式的演化作出估计，有助于了 解导致空间模式变化的潜在驱动因素 – 如果存在空间自相关，传统统计方法可能会失效 （因为其随机性 假设被破坏） 二、空间依赖性 • （三）属性数据类型与测度 – 定类数据：根据某个标准分类，仅用于识别。一般分2类，如城市 地区和乡村地区。二元定类数据的空间自相关可用连接数统计量 （Join count statistics ）测度 – 定序数据：可按预定的标准排序，可用于识别和比较。如收入分 高中低三组 – 定距或定比数据：可区分单个数据，可用于识别、比较和区分。 如人口密度、收入水平。可用Moran’s I，Geary’s C和G统计量等来 测度