探索性空间统计分析

,4.1 线性规划及其单纯形求解方法,1. 线性规划的数学模型,线性规划之实例,线性规划的数学模型,*,4.1 线性规划及其单纯形求解方法,1. 线性规划的数学模型,线性规划之实例,线性规划的数学模型,*,第,4,章,空间统计分析初步,1,本章主要内容,探索性空间统计分析,地统计分析方法,2,空间统计分析,即空间数据（,spatial data,）的统计分析，是现代计量地理学中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。,空间统计分析,3,第,1,节 探索性空间统计分析,基本原理与方法,应用实例,4,通常定义一个二元对称空间权重矩阵,W,，来表达,n,个位置的空间区域的邻近关系，其形式如下,式中：,W,ij,表示区域,i,与,j,的临近关系，它可以根据邻接标准或距离标准来度量。,一、基本原理与方法,（一）空间权重矩阵,5,简单的二进制邻接矩阵,基于距离的二进制空间权重矩阵,两种最常用的确定空间权重矩阵的规则,6,（二）全局空间自相关,Moran,指数和,Geary,系数是两个用来度量空间自相关的全局指标。,Moran,指数反映的是空间邻接或空间邻近的区域单元属性值的相似程度,。,Geary,系数与,Moran,指数存在负相关关系。,7,如果是位置（区域）的观测值，则该变量的全局,Moran,指数,I,，用如下公式计算,式中：,I,为,Moran,指数,；,；,。,8,Geary,系数,C,计算公式如下,式中：,C,为,Geary,系数；其他变量同,上,式。,如果引入记号,9,则全局,Moran,指数,I,的计算公式也可以进一步写成,Moran,指数,I,的取值一般在,-1,，,1,之间,小于,0,表示负相关，等于,0,表示不相关，大于,0,表示正相关；,Geary,系数,C,的取值一般在,0,，,2,之间，大于,1,表示负相关，等于,1,表示不相关，而小于,1,表示正相关。,10,对于,Moran,指数，可以用标准化统计量,Z,来检验,n,个区域是否存在空间自相关关系，,Z,的计算公式为,当,Z,值为正且显著时，表明存在正的空间自相关，也就是说相似的观测值,(,高值或低值,),趋于空间集聚；,当,Z,值为负且显著时，表明存在负的空间自相关，相似的观测值趋于分散分布；,当,Z,值为零时，观测值呈独立随机分布。,11,（三）局部空间自相关,局部空间自相关分析方法包括,3,种,:,空间联系的局部指标,(LISA),；,G,统计量,；,Moran,散点图,。,12,空间联系的局部指标,(LISA),空间联系的局部指标（,local indicators of spatial association,，缩写为,LISA,）满足下列两个条件：,（,1,）每个区域单元的,LISA,，是描述该区域单元周围显著的相似值区域单元之间空间集聚程度的指标；,（,2,）所有区域单元,LISA,的总和与全局的空间联系指标成比例。,13,LISA,包括局部,Moran,指数（,local Moran,）和局部,Geary,指数（,local Geary,），下面重点介绍和讨论局部,Moran,指数。,14,局部,Moran,指数被定义为,可进一步写成,式中： 和 是经过标准差标准化的观测值。,局部,Moran,指数检验的标准化统计量为,15,G,统计量,全局,G,统计量的计算公式为,对每一个区域单元的统计量为,16,对统计量的检验与局部,Moran,指数相似，其检验值为,显著的正值表示在该区域单元周围，高观测值的区域单元趋于空间集聚，而显著的负值表示低观测值的区域单元趋于空间集聚,与,Moran,指数只能发现相似值,(,正关联,),或非相似性观测值,(,负关联,),的空间集聚模式相比，具有能够探测出区域单元属于高值集聚还是低值集聚的空间分布模式。,17,Moran,散点图,以（,Wz,，,z,）,为坐标点的,Moran,散点图，常来研究局部的空间不稳定性，它对空间滞后因子,Wz,和,z,数据对进行了可视化的二维图示。,全局,Moran,指数，可以看作是,Wz,对于,z,的线性回归系数，对界外值以及对,Moran,指数具有强烈影响的区域单元，可通过标准回归来诊断出。,由于数据对（,Wz,，,z,）经过了标准化，因此界外值可易由,2,sigma,规则可视化地识别出来。,18,Moran,散点图的,4,个象限，分别对应于区域单元与其邻居之间,4,种类型的局部空间联系形式：,第,1,象限代表了高观测值的区域单元被同是高值的区域所包围的空间联系形式；,第,2,象限代表了低观测值的区域单元被高值的区域所包围的空间联系形式；,第,3,象限代表了低观测值的区域单元被同是低值的区域所包围的空间联系形式；,第,4,象限代表了高观测值的区域单元被低值的区域所包围的空间联系形式。,19,与局部,Moran,指数相比，其重要的优势在于能够进一步具体区分区域单元和其邻居之间属于高值和高值、低值和低值、高值和低值、低值和高值之中的哪种空间联系形式。,并且，对应于,Moran,散点图的不同象限，可识别出空间分布中存在着哪几种不同的实体。,将,Moran,散点图与,LISA,显著性水平相结合，也可以得到所谓的,“,Moran,显著性水平图,”,，图中显示出显著的,LISA,区域，并分别标识出对应于,Moran,散点图中不同象限的相应区域。,20,二、应用实例,中国大陆,30,个省级行政区人均,GDP,的空间关联分析,。,根据各省（直辖市、自治区）之间的邻接关系，采用二进制邻接权重矩阵，选取各省（直辖市、自治区）,1998,2002,年人均,GDP,的自然对数，依照公式计算全局,Moran,指数,I,，计算其检验的标准化统计量,Z,（,I,），结果如下表所示。,年份,I,Z,P,1998,0.5001,4.503 5,0.000 0,1999,0.506 9,4.555 1,0.000 0,2000,0.511 2,4.597 8,0.000 0,2001,0.505 9,4.553 2,0.000 0,2002,0.501 3,4.532 6,0.000 0,21,从表,中,可以看出，在,1998,2002,年期间，中国大陆,30,个省级行政区人均,GDP,的全局,Moran,指数均为正值；在正态分布假设之上，对,Moran,指数检验的结果也高度显著。这就是说，在,1998,2002,年期间，中国大陆,30,个省级行政区人均,GDP,存在着显著的、正的空间自相关，也就是说各省,级行政区,人均,GDP,水平的空间分布并非表现出完全的随机性，而是表现出相似值之间的空间集聚，其空间联系的特征是：较高人均,GDP,水平的省级行政区相对地趋于和较高人均,GDP,水平的省,级行政区,相邻，或者较低人均,GDP,水平的,省级行政区,相对地趋于和较低人均,GDP,水平的,省级行政区,相邻。,22,选取,2001,年我国,30,个省级行政区人均,GDP,数据，,计算,局部,G,i,统计量和局部,G,i,统计量的检验值,Z,(,G,i,),，并绘制统计地图如下,。,23,检验结果表明，贵州、四川、云南西部,3,省的,Z,值在,0.05,的显著性水平下显著，重庆的,Z,值在,0.1,的显著性水平下显著，该,4,省市在空间上相连成片分布，而且从统计学意义上来说，与该区域相邻的省区，其人均,GDP,趋于为同样是人均,GDP,低值的省区所包围。由此形成人均,GDP,低值与低值的空间集聚，据此可认识到西部落后省区趋于空间集聚的分布特征。,24,东部的江苏、上海、浙江三省市的,Z,值在,0.05,的显著性水平下显著，天津的,Z,值在,0.1,的显著性水平下显著。而东部上海、江浙等发达省市趋于为一些相邻经济发展水平相对较高的省份所包围，东部发达地区的空间集聚分布特征也显现出来。,25,以（,Wz,z,）为坐标，进一步绘制,Moran,散点图,可以发现，多数省（直辖市、自治区）位于第,1,和第,3,象限内，为正的空间联系，属于低低集聚和高高集聚类型，而且位于第,3,象限内的低低集聚类型的省,（直辖市、,自治区,）,比位于第,1,象限内的高高集聚类型的省,（直辖市、自治区）,更多一些。,26,27,上图进一步显示了,30,个省级行政区人均,GDP,局部集聚的空间结构。可以看出，从人均,GDP,水平相对地来看：,高值被高值包围的高高集聚省（直辖市）有：,北京、天津、河南、安徽、湖北、江西、海南、广东、福建、浙江、山东、上海、江苏；,低值,被,低值,包围的低低集聚省（自治区）有：,黑龙江、内蒙古、新疆、吉林、甘肃、山西、陕西、青海、西藏、四川、云南、辽宁、贵州；,被,低,值包围的高,值,省（直辖市）有：,重庆、广西、河北；,被高值包围的,低值,省份只有湖南。,28,