空间自相关用邻接关系检验相近位置是否呈现相似取值

许多统计方法把观测视为彼此独立，但地理数据常受扩散、集聚、共同环境和行政边界影响，相近位置可能具有相似值。空间自相关描述属性相似性与空间邻近性的共同变化。它不是地图“看起来成团”的同义词，而是基于明确空间权重和零假设计算的统计量。

Moran 在 Notes on Continuous Stochastic Phenomena 中提出的统计量后来成为全局空间自相关分析的基础。其核心是把每个位置相对均值的偏差，与邻居位置的偏差相乘并按权重汇总，再与总体方差比较。正值倾向表示相似值邻近，负值倾向表示高低值交错，接近期望值则表示没有检测到相应形式的空间结构。

空间权重先定义什么算邻近

权重矩阵是分析中的空间假设。面数据可以使用共享边界的 rook 邻接或共享边、点的 queen 邻接；点数据可以使用距离阈值、k 近邻或距离衰减；网络数据应按道路或河网连接定义，而不是直接使用欧氏距离。不同权重可能给出不同结论，因此必须说明生成规则、距离单位、坐标参考系和孤立对象处理方式。

行标准化让每个位置的权重和为一，降低邻居数量差异的影响，但也改变了原始权重含义。二元邻接、距离权重和标准化结果不能混作同一指标比较。若研究过程具有方向性，例如下游受上游影响，权重还可能不对称；传统推断的适用性需要重新检查。

距离计算应在合适的 CRS 或球面模型中进行。直接对经纬度角度做平面距离，会让阈值随纬度改变。数据存在多部件几何、拓扑缝隙或重复坐标时，也要先验证邻接图，否则统计量反映的可能是数据错误。

全局 Moran's I 概括整体模式

全局统计量把整幅区域压缩成一个值，适合回答“总体上是否存在这种邻近关系”。它不能指出集聚发生在哪里，也不能证明形成机制。大范围中同时存在正集聚与负关联时，局部模式可能相互抵消，使全局值接近无结构。

显著性取决于零假设。随机化检验通常固定属性值，将其在位置间置换，重新计算统计量，观察实测值在置换分布中的位置。置换次数决定可达到的最小 p 值；应同时报告效应大小、期望值、置换次数和多次运行的随机种子。大样本下极小效应也可能显著，不能只依据 p 值描述实际重要性。

属性分布的偏态、离群值和空间边界会影响结果。必要时可以变换变量或使用稳健方法，但变换后的统计对象已经不同。比例或率还会受分母大小影响，低人口区域的高方差可能产生假集聚，应考虑经验贝叶斯平滑或模型化计数过程，同时保留原始分母。

局部指标定位集聚与空间离群

局部 Moran 指标把每个位置与其邻域比较，常将结果概括为高-高、低-低、高-低和低-高。前两类表示相似值局部集聚，后两类表示空间离群。分类依赖中心化方式、权重和显著性阈值，不能把所有高值直接称为热点。

对每个位置都做检验会产生多重比较问题。未校正的 0.05 阈值在大量单元中会产生许多偶然显著结果。可报告错误发现率控制结果、置换 p 值和局部效应，并把孤立小斑块交给领域证据复核。局部图还容易受行政区划尺度影响，即可变空间单元问题；换一种聚合边界，邻接和属性均值都会变化。

探索性分析中可以比较多组合理权重，但不应只保留最显著的一组。应记录候选权重及选择理由，用独立时期或区域验证模式是否稳定。如果分析最终服务预测，空间交叉验证比随机拆分更能检验模式能否外推。Roberts 等对时空依赖数据的验证策略有系统讨论：https://doi.org/10.1111/ecog.02881。

从描述走向模型仍需解释机制

回归残差存在空间自相关，说明模型遗漏了空间结构或误差独立假设不成立，但不自动指向某一个缺失变量。可以考虑空间滞后、空间误差、层级随机效应或高斯过程等模型，选择应由生成机制决定。把坐标或邻域均值机械加入模型，可能改善拟合却造成解释混乱或信息泄漏。

可复现报告应保存分析单元版本、属性时间、权重矩阵构造代码、标准化方式、置换设置和缺失值规则。地图上应区分“不显著”“无数据”和“没有邻居”，并避免只展示鲜艳分类而隐藏统计量。空间自相关的价值是把地图中的邻近模式变成可检验假设；它提供结构线索，不提供因果结论。

多尺度结果不应只挑最显著的一档

同一过程可能在街区、城市和区域尺度表现不同。逐步增加距离阈值或改变聚合单元，可以形成空间相关随尺度变化的曲线，但反复检验会增加选择偏差。报告应预先说明具有业务意义的尺度，完整展示候选结果，并解释邻居数量怎样变化。若最佳尺度来自数据搜索，应在独立地区或时期复核。尺度分析的目的不是寻找最小 p 值，而是判断结论对合理空间定义是否稳健。