地理加权回归用局部权重探索关系随位置的变化

全局线性回归假定一组系数适用于整个研究区。当地理过程受区域制度、环境梯度或市场结构影响时，同一个解释变量与结果之间的关系可能随位置变化。地理加权回归在每个目标位置附近拟合一个局部回归，邻近观测获得较大权重，远处观测权重较小，从而得到系数的空间表面。

Brunsdon、Fotheringham 与 Charlton 的论文 Geographically Weighted Regression: A Method for Exploring Spatial Nonstationarity 奠定了这一方法。GWR 更适合作为空间非平稳性的探索工具；局部系数变化可能来自真实机制，也可能来自共线性、样本密度、尺度选择或遗漏变量，不能直接解释为局部因果效应。

核函数和带宽定义局部范围

每个目标位置的回归都使用距离权重。高斯核、双平方核等函数决定权重如何衰减，带宽决定邻域大小。固定带宽在整个区域使用同一距离，适合观测密度较均匀的数据；自适应带宽使用固定数量的最近邻，在城市密集、乡村稀疏的数据中更常见。

带宽太小会让局部模型依赖少量观测，系数方差大且容易受离群值影响；带宽太大则趋近全局模型，掩盖局部差异。常通过交叉验证或修正 AIC 选择带宽，但优化得到的数值仍要检查局部有效样本、空间覆盖和业务尺度。坐标单位与距离模型必须明确，经纬度数据不应未经处理直接套用平面距离。

边界位置只从一侧获得邻居，局部估计更不稳定。河流、山脉或行政限制可能使直线近邻并非过程近邻。若关系沿网络或受障碍控制，标准欧氏核不能准确表达。分析前应画出邻域范围与有效样本数，而不只是最终系数图。

局部系数图需要伴随不确定性

GWR 为每个位置产生截距、各解释变量系数、拟合值和残差。把系数直接分级着色很直观，却容易忽略标准误和多重比较。大量局部检验会产生偶然显著区域，邻近系数又高度相关，传统逐点 p 值难以独立解释。

局部共线性是重要风险。全局相关性不高的变量，在某个小邻域内也可能几乎同步变化，使系数符号翻转或异常放大。应检查局部条件数、方差膨胀和系数稳定性，必要时简化变量、扩大带宽或使用正则化。系数突变有时只是观测密度变化，而不是地理机制边界。

残差仍需检查空间结构、异方差和异常值。如果 GWR 后残差明显自相关，说明局部线性形式仍未捕捉关键过程。相反，拟合优度提高并不证明模型可外推；每个位置使用周围样本拟合，训练内表现天然优于全局模型。

验证必须阻断空间邻近泄漏

随机交叉验证会把相邻观测分到训练和测试两侧，局部模型几乎能看到测试点周围的信息，误差因此过于乐观。更可靠的评价按空间块、行政区或距离缓冲划分，并使测试区域模拟实际预测任务。Roberts 等关于依赖数据交叉验证的讨论可作为设计依据：https://doi.org/10.1111/ecog.02881。

比较对象至少包括简单全局模型、合理的空间模型和 GWR。评价要同时看预测误差、残差空间结构、系数稳定性与可解释性。若目标是解释非平稳性，可以用置换或模拟检验整体系数变化是否超过随机波动；若目标是预测，则要在未见区域检验，而不是只比较训练 AIC。

时间变化不能被空间变化替代。多期数据若直接堆叠，局部系数可能混合时间趋势与地理差异。应明确时间窗口、重复观测个体和时空相关，必要时采用时空加权或层级模型。

结果发布要保留尺度和模型谱系

完整记录应包含输入数据版本、分析单元、投影、距离计算、核函数、带宽选择、变量标准化、缺失处理和软件版本。系数地图需使用可比较色标，并同时展示局部样本量或不确定性。对外表达应说“在该模型、带宽和数据下观察到关系差异”，不要写成某变量在该地必然产生某种影响。

如果 GWR 用于业务决策，还要测试边界附近、稀疏区域和新时间段。局部模型对数据更新敏感，新增观测会改变附近多个位置的系数，因此版本更新不能只替换一张地图。GWR 的强项是揭示全局平均可能遮蔽的空间变化；严谨使用依赖透明的邻域定义、不确定性检查和空间外验证。

多尺度 GWR 让变量拥有不同作用范围

标准 GWR 为所有变量使用同一个带宽，相当于假设它们在相同空间尺度上变化。现实中，气候因素可能呈区域梯度，道路可达性则在较小范围内变化。多尺度 GWR 为各变量分别估计带宽，能够表达不同作用范围，但参数更多、优化更复杂，局部共线性也不会因此自动消失。

变量带宽可作为描述性线索：很大的带宽说明关系接近全局稳定，较小带宽表示局部变化更明显。它仍不是过程影响距离的直接测量。模型比较要使用一致数据、惩罚复杂度并检查带宽是否落在搜索边界；若多个初值给出不同解，应报告不稳定性而非只保留最易解释的一组。