教程 ·

空间自相关 Moran's I 用 AI 一句话完成 — 全局/局部空间聚集检验

空间自相关 Moran's I 完整教程：用 AI 一句话完成全局 Moran's I 与 LISA 局部分析，自动构建空间权重矩阵，输出 Moran 散点图、LISA 聚集地图，并给出可直接套进论文的 APA 7th 报告句式。

数据带经纬度却不知道怎么检验空间聚集？全局 Moran's I 说"有聚集"但不知道聚在哪里？LISA 热点图怎么画？这篇教程用一句自然语言指令解决空间自相关分析的全套问题，输出可直接贴进论文的 APA 格式报告。

为什么空间数据不能直接用普通统计方法

传统统计学的基本假设之一是观测值相互独立。然而一旦数据带有地理坐标——省级 GDP、城市 PM2.5 浓度、社区犯罪率、县域医疗资源——这一假设几乎总会被违反。

地理学第一定律（Tobler, 1970）指出：任何事物都与其他事物相关，但近处的事物比远处的事物相关性更强。用统计语言表达：地理相邻的观测值倾向于拥有相似（或相异）的属性值，这就是空间自相关（Spatial Autocorrelation）。

忽视空间自相关会导致：

  • 普通最小二乘回归的残差存在空间依赖，标准误被低估，显著性检验失效
  • 地区间"溢出效应"被遗漏，政策干预效果被错误归因
  • 误将空间聚集现象当作随机分布，错过重要发现

Moran's I 是检验和量化空间自相关最常用的统计量，由 Moran（1950）提出，分为：

  • 全局 Moran's I：一个汇总指标，描述整个研究区域内属性值的空间聚集程度
  • 局部 Moran's I（LISA）：分解到每个空间单元，识别局部热点（High-High）、冷点（Low-Low）及空间异常（High-Low / Low-High）

全局 Moran's I：原理与解读

统计量定义

全局 Moran's I 的计算公式为：

         N * sum_i sum_j [w_ij * (x_i - x_bar) * (x_j - x_bar)]
I = ---------------------------------------------------------------
         S0 * sum_i (x_i - x_bar)^2

其中：

  • N：空间单元总数
  • x_i：第 i 个单元的属性值
  • x_bar：属性值的全局均值
  • w_ij：空间权重矩阵第 i 行第 j 列的元素，表示单元 i 与 j 的空间邻接关系
  • S0 = sum_i sum_j w_ij：所有权重之和（行标准化后 S0 = N）

I 值的取值范围与含义

I 值区间空间模式含义
I > E(I)，p < .05正空间自相关相似值聚集（高-高 或 低-低 聚集）
I ≈ E(I)，p > .05随机分布无显著空间模式
I < E(I)，p < .05负空间自相关相异值相邻（高-低 交替分布）

理论期望值 E(I) = -1 / (N - 1)，样本量较大时接近 0。

I 的取值理论范围为 [-1, 1]，实践中受空间权重矩阵结构影响，不严格等于 ±1。

注意：Moran's I 是相关系数而非效应量，不要将其误读为解释力（R^2）。衡量聚集强度应结合 Z 得分和 p 值综合判断。

显著性检验方法

全局 Moran's I 的推断有两种方式：

  • 正态近似法：假设属性值服从正态分布，将 I 标准化为 Z 得分，查标准正态表
  • 蒙特卡洛置换检验（Permutation Test）：对属性值做随机重排（通常 999 次），构造经验分布，直接计算 p 值

蒙特卡洛置换检验是推荐方式，因为它不依赖正态假设，对小样本和非正态数据更稳健。ChatSRS 默认采用 999 次置换检验。

空间权重矩阵：连接空间关系的核心

空间权重矩阵 W 是 Moran's I 计算的基础，它定义了"什么叫空间邻接"。常见构建方式：

邻接型权重矩阵

类型规则适用场景
Rook 邻接共享边界（上下左右）规则网格、行政区划
Queen 邻接共享边界或顶点（8 方向）行政区划（最常用）
k 近邻（KNN）距离最近的 k 个邻居点数据、岛屿多边形
距离衰减w_ij = 1/d_ij^alpha连续距离关系

行标准化（Row-standardization）：将每行权重除以行和，使每行总和为 1。标准化后 I 的解释更直观，且对形状不规则的多边形更公平。ChatSRS 默认使用 Queen 邻接 + 行标准化。

局部 Moran's I（LISA）：找出热点与冷点

全局 Moran's I 只给出一个全局汇总值，无法告诉你哪里聚集。局部空间关联指标（Local Indicators of Spatial Association, LISA）由 Anselin（1995）提出，将空间自相关分解到每个空间单元：

I_i = z_i * sum_j (w_ij * z_j)

其中 z_i = (x_i - x_bar) / s 为标准化属性值。

LISA 四象限分类

基于 Moran 散点图，每个空间单元被分入四个象限：

象限含义颜色惯例
High-High (HH)高值被高值邻居包围 — 热点红色
Low-Low (LL)低值被低值邻居包围 — 冷点蓝色
High-Low (HL)高值被低值邻居包围 — 空间异常（正）橙/粉色
Low-High (LH)低值被高值邻居包围 — 空间异常（负）浅蓝色
Not Significant无显著局部聚集灰色

LISA 的每个单元 p 值同样通过置换检验获得，通常设置 alpha = .05，仅将显著的聚集区域标注在地图上。

案例数据：中国 285 个地级市 PM2.5 年均浓度的空间聚集检验

研究背景

某环境经济学研究团队分析 2023 年中国 285 个地级市的 PM2.5 年均浓度（微克/立方米）是否存在显著的空间聚集效应，并识别局部热点城市群，为区域联防联控政策提供依据。

数据结构

city_code    城市代码（国家标准行政区划代码）
city_name    城市名称
province     省份
pm25_2023    PM2.5 年均浓度（ug/m^3）
longitude    城市几何中心经度
latitude     城市几何中心纬度

285 行，6 列，附带城市边界 shp 文件（或直接使用经纬度坐标）。

用 AI 一句话完成 Moran's I 分析

在 chatsrs.com 上传数据（CSV + SHP 或仅 CSV 含经纬度）后输入：

"对 285 个地级市的 PM2.5 年均浓度做空间自相关分析：

  1. 构建 Queen 邻接空间权重矩阵（行标准化），输出邻接统计摘要（最少/最多/平均邻居数）
  2. 全局 Moran's I 检验（999 次蒙特卡洛置换），输出 I 值、Z 得分、p 值，并绘制 Moran 散点图
  3. LISA 局部空间关联分析（alpha = .05），识别 HH/LL/HL/LH 区域，绘制 LISA 聚集地图
  4. 输出显著聚集城市名单（HH 热点 + LL 冷点前 10 名）
  5. 写 APA 7th 格式中文文字描述"

ChatSRS 会调用 R（spdep 包）或 Python（pysal 库）自动完成全套流程，无需手动配置 GIS 环境。

输出结果怎么读

输出 1：空间权重矩阵摘要

空间权重矩阵摘要（Queen 邻接，行标准化，N = 285）

邻居数统计：
  最少邻居数：1（岛屿城市/飞地）
  最多邻居数：12
  平均邻居数：5.84
  中位数邻居数：6

连通性诊断：
  孤立单元（0 邻居）：0
  总权重 S0：285.00（行标准化后等于 N）

怎么看：Queen 邻接下平均邻居数约 6，无孤立单元说明权重矩阵构建正常。如有孤立单元（岛屿省份如海南、舟山等），ChatSRS 会自动切换为 k=5 近邻矩阵并给出提示。

输出 2：全局 Moran's I 检验结果

全局 Moran's I 检验结果

属性变量：PM2.5 年均浓度（ug/m^3）
空间权重：Queen 邻接，行标准化
推断方法：蒙特卡洛置换检验（999 次）

Moran's I = 0.4832
期望值 E(I) = -0.0035（= -1/(N-1)）
方差 Var(I) = 0.000847
Z 得分 = 16.77
p 值 = 0.001（< .001，基于 999 次置换）

结论：存在显著正空间自相关，PM2.5 浓度呈现高值聚集与低值聚集的空间模式。

读懂关键指标：

指标含义本例解读
Moran's I = 0.483正空间自相关强度中-强程度聚集（0 = 随机，1 = 完全聚集）
Z = 16.77标准化得分远超 ±1.96 临界值，极显著
p = .001置换检验 p 值999 次置换中无一次 I 值 >= 观测值

报告惯例：置换检验 p 值的精度受置换次数限制（999 次时最小可报告 p = .001），如需更精确 p 值可增加至 9999 次。APA 格式下写 p < .001 或 p = .001 均可。

输出 3：Moran 散点图解读

Moran 散点图以标准化属性值 z_i 为横轴，空间滞后值（邻居均值）W_z_i 为纵轴，回归线斜率即为全局 Moran's I。

Moran 散点图分布（按象限）：

  第 I 象限（HH，高-高聚集）：  82 个城市（28.8%）— 华北平原、汾渭平原城市群
  第 II 象限（LH，低-高异常）：  19 个城市（6.7%）
  第 III 象限（LL，低-低聚集）：  141 个城市（49.5%）— 西南、东南沿海城市
  第 IV 象限（HL，高-低异常）：  43 个城市（15.1%）

输出 4：LISA 局部聚集检验结果（alpha = .05）

LISA 显著聚集城市统计（alpha = .05，999 次置换）

聚集类型       城市数    占比
HH 热点         64       22.5%   — 石家庄、邢台、聊城、济南等华北平原城市
LL 冷点         98       34.4%   — 丽水、三明、黔南、西双版纳等南方低污染区
HL 正异常        8        2.8%   — 局部高值孤岛
LH 负异常        5        1.8%   — 低值城市被高值包围
Not Significant 110      38.6%

注：p 值通过 999 次条件置换检验获得；多重比较采用 FDR（Benjamini-Hochberg）校正。

HH 热点前 10 城市（PM2.5 浓度最高且被高值邻居包围）：

排名  城市      省份     PM2.5（ug/m^3）  LISA I_i
1     邢台      河北     58.3             0.891
2     邯郸      河北     56.7             0.867
3     聊城      山东     54.2             0.823
4     石家庄    河北     53.8             0.798
5     运城      山西     52.1             0.762
6     临汾      山西     51.4             0.748
7     菏泽      山东     50.9             0.731
8     安阳      河南     50.3             0.714
9     保定      河北     49.7             0.698
10    郑州      河南     48.8             0.672

论文里怎么报告（APA 7th 格式）

APA 报告要素清单

空间自相关分析的方法/结果节需包含：

  1. 空间权重矩阵类型（邻接规则、是否标准化）
  2. 检验方法（蒙特卡洛置换次数）
  3. 全局 Moran's I 值、Z 得分、p 值
  4. LISA 分析的显著性水平与多重比较校正方式
  5. 各类聚集区域的空间分布描述

完整 APA 7th 报告示例

方法节（空间分析部分）：

采用全局 Moran's I 指数检验 285 个地级市 PM2.5 年均浓度的空间自相关程度。基于 Queen 邻接规则构建行标准化空间权重矩阵，平均邻居数为 5.84（范围：1~12）。统计推断采用 999 次蒙特卡洛条件置换检验。进一步采用局部空间关联指标（LISA）识别局部聚集区域，显著性水平设定为 alpha = .05，并通过 Benjamini-Hochberg 方法对多重比较进行 FDR 校正。所有空间分析在 R 4.4（spdep v1.3）中实施。

结果节：

全局 Moran's I 检验结果显示，2023 年 285 个地级市 PM2.5 年均浓度存在显著正空间自相关，I = 0.483, Z = 16.77, p < .001（基于 999 次置换检验），表明空间上相邻城市的 PM2.5 浓度具有显著趋同性，即高浓度城市倾向于毗邻高浓度城市，低浓度城市倾向于毗邻低浓度城市。

LISA 分析进一步识别了局部聚集区域（alpha = .05）。64 个城市（22.5%）形成显著的 HH 热点聚集，主要集中于华北平原及汾渭平原城市群（如邢台、邯郸、临汾等）；98 个城市（34.4%）形成显著的 LL 冷点聚集，分布于西南山地及东南沿海（如丽水、三明、黔南等）。8 个城市呈 HL 空间正异常，5 个城市呈 LH 负异常，余 110 个城市无显著局部空间关联（见图 X）。

句式模板（直接套用）

全局 Moran's I 报告句式：

对[变量名]进行全局 Moran's I 空间自相关检验（[邻接规则]权重矩阵，
[N] 次蒙特卡洛置换），结果显示[显著/不显著]正/负空间自相关，
Moran's I = [值], Z = [值], p [= / < ] [值]，
表明[属性值]在空间上[呈高值聚集与低值聚集/呈随机分布/呈高低交替]模式。

LISA 结果报告句式：

LISA 分析（alpha = .[值]，[N] 次置换检验，[校正方式]校正）共识别出
[n] 个 HH 热点单元和 [n] 个 LL 冷点单元，
分别占研究区域总单元数的 [%] 和 [%]；
热点主要集中于[地理描述]，冷点主要集中于[地理描述]。

APA 7th 细节提醒：

  • Moran's I 斜体写作 I（正文中可写 Moran's I），与其他统计量（F、t、Z）保持一致
  • 置换检验 p 值精度受次数限制：999 次时最小可报告 p = .001，9999 次时为 p = .0001
  • Z 得分保留两位小数，p 值小数点前不写 0（写 p < .001，不写 p < 0.001）
  • 需在方法节说明软件及包版本（R spdep、Python pysal）

ChatSRS 中的 moran_index 方法

ChatSRS 的 68 号分析方法 moran_index 整合了空间自相关分析的完整流程，三引擎均已支持：

引擎底层实现优势
Rspdep::moran.test + spdep::localmoran学术标准；spdep 是空间统计金标准包
Pythonesda.Moran + esda.Moran_Local（PySAL）与 GeoPandas 无缝集成，适合大规模数据
Stataspwmatrix + moransi与回归模型衔接更便捷（接空间面板数据）

输入一条自然语言指令，ChatSRS 自动选择最优引擎并输出：

  • 空间权重矩阵诊断报告
  • 全局 Moran's I + 置换检验 p 值
  • Moran 散点图（含置信椭圆）
  • LISA 聚集地图（HH/LL/HL/LH + Not Significant 五色配色）
  • APA 格式文字描述（中英文可选）

常见问题 FAQ

Q1：Moran's I = 0.48 算"强"聚集吗？和相关系数 r 能类比吗？

A：Moran's I 的量纲与皮尔逊 r 相似但不完全等价，因为它的期望值不是 0 而是 -1/(N-1)，且理论上界受权重矩阵结构影响。粗略参考标准（无 Cohen 式通用阈值，学界按领域经验判断）：I < 0.10 为弱，0.100.30 为中等，0.300.50 为强，> 0.50 为极强聚集。本例 I = 0.483 属于强空间聚集，结合 Z = 16.77（极显著），可在论文中报告为"存在显著的强正空间自相关"。注意：不能把 I 解释为解释力（R^2），这是常见误用。

Q2：我的数据是点数据（医院/学校坐标），不是面数据，能用 Moran's I 吗？

A：能，但需要调整权重矩阵构建方式。点数据没有共享边界，应使用 k 近邻矩阵（如 k = 5）或距离阈值矩阵（距离 d 以内的点互为邻居）。在 ChatSRS 中指定"使用 k=5 近邻权重矩阵"即可自动切换。另外，对于点数据还需考虑点过程分析（Ripley's K 函数等）作为补充，Moran's I 更适合已经聚合到面单元的数据（如县/市级统计数据）。

Q3：LISA 分析要做多重比较校正吗？用 Bonferroni 还是 FDR？

A：LISA 分析对每个空间单元独立做显著性检验，多重比较问题确实存在。实践中主流做法有两种：

  • 不校正（最常见）：直接使用 alpha = .05，因为空间单元本身就存在相关性（独立性假设已违反），Bonferroni 过于保守
  • FDR 校正（Benjamini-Hochberg）：控制假发现率而非家族误差率，比 Bonferroni 保守程度适中，是近年论文的推荐做法

ChatSRS 默认提供两种结果（校正前/后），在指令中指定"FDR 校正"或"不校正"即可。

Q4：全局 Moran's I 显著，但 LISA 找不到显著的局部聚集区域，这正常吗？

A：正常，原因如下：全局 Moran's I 对整个研究区的聚集模式做汇总检验，功效较高；LISA 在每个单元独立检验后经多重比较校正，功效相对较低，尤其当聚集强度弱或样本量小时。解决思路：

  1. 增加置换次数（由 999 次提升至 9999 次），降低 p 值估计误差
  2. 适当放宽局部显著性水平至 alpha = .10（在方法节说明并说明理由）
  3. 改用 Getis-Ord G*（热点分析）——它对单纯的高值聚集（热点）检验功效更高，是 LISA 的有效补充

Q5：空间自相关显著之后，还需要做什么？

A：Moran's I 检验是空间分析的起点而非终点。发现显著空间自相关后，后续常见路径包括：

  • 空间滞后模型（SLM）：将邻居因变量 W·y 作为额外自变量纳入回归，建模空间依赖性
  • 空间误差模型（SEM）：将空间自相关纳入误差项结构
  • 地理加权回归（GWR）：允许回归系数随空间位置变化，探索局部异质性

在 ChatSRS 中可直接输入"在控制 [协变量] 的前提下，对 PM2.5 的空间影响因素做空间滞后回归"，无需手动配置空间回归环境。

小结

空间自相关分析的正确流程是：构建空间权重矩阵 → 全局 Moran's I 判断是否存在聚集 → LISA 定位局部热点/冷点 → APA 格式报告。

每一步在传统 GIS 或 R/Python 环境中都需要大量前置配置（坐标系统一、邻接矩阵构建、置换检验调参、制图标注……）。ChatSRS 的 moran_index 方法将全套流程压到一条自然语言指令，三引擎（R+Python+Stata）自动选优，输出符合 APA 7th 规范的中文学术报告，Moran 散点图和 LISA 聚集地图一并生成。

相关阅读

本文首发于 ChatSRS 官方博客。如有问题或反馈，欢迎在 ChatSRS 站内 [用户中心 -> 帮助与反馈] 联系我们。