地理加权回归(GWR)模型的原理与应用.docxVIP

地理加权回归(GWR)模型的原理与应用

一、引言

在地理空间分析领域，传统的全局回归模型（如普通最小二乘法OLS）长期占据主导地位，这类模型假设回归参数在整个研究区域内保持恒定，即认为地理现象的影响机制具有全局同质性。然而，大量实证研究表明，许多地理事物与现象的属性会随空间位置变化而产生显著差异，这种“空间异质性”是地理世界的基本特征之一（Anselin，1988）。比如同一城市中，中心城区与远郊区的房价驱动因素权重差异明显，山区与平原的贫困影响机制也大相径庭，全局回归模型显然无法精准捕捉这种局部差异，甚至会导致回归结果出现偏差。

为解决这一难题，英国学者Brunsdon等人于20世纪90年代提出了地理加权回归（GeographicallyWeightedRegression，GWR）模型，该模型允许回归参数随空间位置的变化而变化，通过局部化的参数估计来反映地理现象的空间分异特征（Brunsdon等，1996）。经过数十年的发展，GWR模型已成为空间计量分析领域的核心工具之一，被广泛应用于城市规划、环境管理、社会经济研究等多个领域，为揭示地理现象的局部规律提供了有力支撑。

二、地理加权回归模型的核心原理

（一）空间异质性的理论基础

空间异质性是GWR模型诞生的核心理论背景，它指的是地理事物或现象在不同空间位置上表现出的属性差异或影响机制差异（Fotheringham等，2002