GeoDa 空间回归分析
前置知识 ：[[GeoDa空间自相关分析]]
难度等级 ：⭐⭐⭐⭐⭐
更新日期：2026-03-16
📋 目录
- [1. 空间回归基础](#1. 空间回归基础)
- [2. 空间滞后模型（SLM）](#2. 空间滞后模型（SLM）)
- [3. 空间误差模型（SEM）](#3. 空间误差模型（SEM）)
- [4. 空间杜宾模型（SDM）](#4. 空间杜宾模型（SDM）)
- [5. 模型选择策略](#5. 模型选择策略)
- [6. 地理加权回归（GWR）](#6. 地理加权回归（GWR）)
- [7. 实战案例](#7. 实战案例)
1. 空间回归基础
1.1 为什么需要空间回归？
传统OLS回归的假设
经典线性回归（OLS）假设：
- 观测值相互独立
- 误差项独立同分布（i.i.d.）
- 无空间依赖性
空间数据的挑战
问题1：空间依赖性（Spatial Dependence）
- Tobler地理学第一定律
- 相邻区域的变量值相关
- 违背独立性假设
问题2：空间异质性（Spatial Heterogeneity）
- 关系在不同位置可能不同
- 全局模型可能掩盖局部模式后果
使用OLS处理空间数据可能导致：
1. 参数估计有偏（Bias）
2. 标准误估计错误（Inefficient）
3. 统计推断失效（Invalid inference）
4. 预测不准确1.2 空间回归模型分类
空间回归模型
│
├─ 空间滞后模型（SLM/SAR）
│ └─ 因变量的空间依赖
│
├─ 空间误差模型（SEM）
│ └─ 误差项的空间依赖
│
├─ 空间杜宾模型（SDM）
│ └─ 包含因变量和自变量的空间滞后
│
├─ 空间杜宾误差模型（SDEM）
│ └─ 包含自变量的空间滞后和空间误差
│
└─ 地理加权回归（GWR）
└─ 局部回归模型1.3 空间计量模型符号
| 符号 | 含义 |
|---|---|
| W | 空间权重矩阵 |
| Wy | 因变量的空间滞后 |
| Wε | 误差项的空间滞后 |
| WX | 自变量的空间滞后 |
| ρ (rho) | 空间自回归系数 |
| λ (lambda) | 空间误差系数 |
| β | 回归系数 |
| θ | 自变量空间滞后系数 |
2. 空间滞后模型（SLM）
2.1 模型形式
空间滞后模型（Spatial Lag Model, SLM），也称为空间自回归模型（SAR）：
y = ρWy + Xβ + ε
其中：
y = n×1 因变量向量
X = n×k 自变量矩阵
W = n×n 空间权重矩阵
ρ = 空间自回归系数（-1 < ρ < 1）
β = k×1 回归系数向量
ε = n×1 误差项向量2.2 经济学解释
ρWy 表示因变量的空间滞后（邻居的平均值）
例子：房价空间滞后模型
PRICE_i = ρ × (邻居的平均房价) + β₁ × INCOME_i + β₂ × AREA_i + ε_i
解释：
- 本区域房价受邻居房价影响
- ρ > 0：邻居房价高，本区域房价也高（正向溢出）
- ρ < 0：邻居房价高，本区域房价低（竞争效应）2.3 适用场景
| 应用领域 | 研究问题 | ρ的含义 |
|---|---|---|
| 房地产 | 房价空间溢出 | 邻里效应强度 |
| 经济增长 | 区域经济收敛 | 知识溢出效应 |
| 犯罪学 | 犯罪空间扩散 | 犯罪传染性 |
| 疫情分析 | 疫情传播 | 传播速度 |
2.4 GeoDa操作步骤
步骤1：数据准备
1. 加载数据
File → Open → data.shp
2. 检查空间自相关
Space → Univariate Moran's I
（如果因变量存在空间自相关，考虑SLM）步骤2：运行OLS回归（基准模型）
1. Methods → Regression
2. 设置变量：
┌────────────────────────────────┐
│ Regression Setup │
├────────────────────────────────┤
│ Dependent Variable: │
│ [PRICE ▼] │
│ │
│ Independent Variables: │
│ ☑ INCOME │
│ ☑ CRIME │
│ ☑ DIST_CBD │
│ │
│ Model Type: │
│ ◉ Classic (OLS) │
│ │
│ [Run] [Cancel] │
└────────────────────────────────┘
3. 查看OLS结果并保存步骤3：诊断空间依赖性
OLS结果窗口查看：
Spatial Diagnostics:
─────────────────────────────────
Lagrange Multiplier (lag) = 12.45 p = 0.0004 ***
Lagrange Multiplier (error) = 8.23 p = 0.0041 **
Robust LM (lag) = 5.67 p = 0.0172 *
Robust LM (error) = 1.45 p = 0.2285
─────────────────────────────────
解读：
- LM(lag)显著 → 考虑SLM
- LM(error)显著 → 考虑SEM
- 如果都显著，看Robust LM
- Robust LM(lag)显著 → 选择SLM步骤4：运行SLM
1. Methods → Regression
2. 设置：
┌────────────────────────────────┐
│ Regression Setup │
├────────────────────────────────┤
│ Dependent Variable: [PRICE] │
│ Independent Variables: │
│ ☑ INCOME, CRIME, DIST_CBD │
│ │
│ Model Type: │
│ ◉ Spatial Lag │
│ │
│ Weights: [queen_w1.gal ▼] │
│ │
│ [Run] [Cancel] │
└────────────────────────────────┘
3. 点击 "Run"步骤5：解读SLM结果
─────────────────────────────────────────
REGRESSION RESULTS: SPATIAL LAG MODEL
─────────────────────────────────────────
Summary Statistics:
R-squared: 0.723
Log-likelihood: -234.56
AIC: 479.12
SC: 491.34
Coefficients:
─────────────────────────────────────────
Variable Coef Std Err t-stat p-value
─────────────────────────────────────────
W_PRICE 0.425 0.089 4.775 0.0000 ***
INCOME 0.856 0.123 6.959 0.0000 ***
CRIME -0.234 0.067 -3.493 0.0005 ***
DIST_CBD -0.178 0.045 -3.956 0.0001 ***
CONSTANT 45.678 8.234 5.548 0.0000 ***
─────────────────────────────────────────
W_PRICE = Spatial autoregressive coefficient (ρ)
Spatial Diagnostics:
LR test (ρ=0): 18.45 p = 0.0000 ***
─────────────────────────────────────────
解读：
1. ρ = 0.425 > 0 且显著：存在正向空间溢出
2. 邻居房价每增加1单位，本区域房价增加0.425单位
3. R² = 0.723：模型解释了72.3%的方差
4. LR检验显著：SLM优于OLS2.5 直接效应与间接效应
由于空间滞后存在反馈效应，需要区分：
直接效应（Direct Effect）：
- 本区域自变量对因变量的影响
- 包含反馈效应
间接效应（Indirect Effect）/ 空间溢出效应：
- 邻居自变量对本区域因变量的影响
总效应（Total Effect）：
- 直接效应 + 间接效应GeoDa计算效应
SLM结果窗口 → Effects → Impact Measures
显示：
──────────────────────────────────
Variable Direct Indirect Total
──────────────────────────────────
INCOME 0.923 0.534 1.457
CRIME -0.252 -0.146 0.398
DIST_CBD -0.192 -0.111 -0.303
──────────────────────────────────
解读INCOME：
- 直接效应0.923：本区域收入增加1单位，房价增加0.923
- 间接效应0.534：邻居收入增加1单位，本区域房价增加0.534
- 总效应1.457：收入增加1单位的总体影响3. 空间误差模型（SEM）
3.1 模型形式
空间误差模型（Spatial Error Model, SEM）：
y = Xβ + u
u = λWu + ε
合并后：
y = Xβ + (I - λW)⁻¹ε
其中：
λ = 空间误差系数（-1 < λ < 1）
u = 空间相关的误差项
ε = 独立同分布误差项3.2 解释
SEM假设误差项存在空间依赖性
可能原因：
1. 遗漏变量存在空间自相关
2. 测量误差的空间模式
3. 未观测到的空间过程3.3 SLM vs SEM
| 特性 | SLM | SEM |
|---|---|---|
| 空间依赖位置 | 因变量 | 误差项 |
| 理论机制 | 真实的空间互动 | 遗漏变量/测量误差 |
| 政策含义 | 邻里效应 | 改善测量/控制变量 |
| 溢出效应 | 有（需要计算） | 无 |
3.4 GeoDa操作
步骤1：运行SEM
1. Methods → Regression
2. 设置：
┌────────────────────────────────┐
│ Regression Setup │
├────────────────────────────────┤
│ Model Type: │
│ ◉ Spatial Error │
│ │
│ Weights: [queen_w1.gal ▼] │
│ │
│ [Run] [Cancel] │
└────────────────────────────────┘步骤2：解读SEM结果
─────────────────────────────────────────
REGRESSION RESULTS: SPATIAL ERROR MODEL
─────────────────────────────────────────
Summary Statistics:
R-squared: 0.698
Log-likelihood: -238.12
AIC: 486.24
SC: 498.46
Coefficients:
─────────────────────────────────────────
Variable Coef Std Err z-value p-value
─────────────────────────────────────────
INCOME 0.812 0.118 6.881 0.0000 ***
CRIME -0.256 0.071 -3.606 0.0003 ***
DIST_CBD -0.165 0.048 -3.438 0.0006 ***
CONSTANT 48.234 9.127 5.286 0.0000 ***
─────────────────────────────────────────
Lambda (λ) = 0.512
Std Err = 0.098
z-value = 5.224
p-value = 0.0000 ***
LR test (λ=0): 11.34 p = 0.0008 ***
─────────────────────────────────────────
解读：
1. λ = 0.512 > 0 且显著：误差项存在正空间自相关
2. 可能存在遗漏的空间相关变量
3. LR检验显著：SEM优于OLS4. 空间杜宾模型（SDM）
4.1 模型形式
空间杜宾模型（Spatial Durbin Model, SDM）：
y = ρWy + Xβ + WXθ + ε
包含：
- 因变量的空间滞后 Wy（系数ρ）
- 自变量的空间滞后 WX（系数θ）4.2 特点
SDM是最一般的空间模型：
1. 当 θ = 0 时，退化为SLM
2. 当 θ = -ρβ 时，退化为SEM
3. 可以捕捉更复杂的空间互动
优势：
- 包含自变量的空间溢出
- 更灵活的模型设定
- 减少遗漏变量偏误4.3 GeoDa操作
运行SDM
1. Methods → Regression
2. 设置：
┌────────────────────────────────┐
│ Regression Setup │
├────────────────────────────────┤
│ Model Type: │
│ ◉ Spatial Durbin │
│ │
│ Weights: [queen_w1.gal ▼] │
│ │
│ ☑ Add Spatial Lag of X │
│ │
│ [Run] [Cancel] │
└────────────────────────────────┘解读SDM结果
─────────────────────────────────────────
REGRESSION RESULTS: SPATIAL DURBIN MODEL
─────────────────────────────────────────
Coefficients:
─────────────────────────────────────────
Variable Coef Std Err t-stat p-value
─────────────────────────────────────────
W_PRICE (ρ) 0.385 0.092 4.185 0.0000 ***
INCOME 0.823 0.125 6.584 0.0000 ***
CRIME -0.245 0.069 -3.551 0.0004 ***
DIST_CBD -0.182 0.047 -3.872 0.0001 ***
─────────────────────────────────────────
W_INCOME (θ) 0.312 0.145 2.152 0.0314 *
W_CRIME (θ) -0.178 0.089 -2.000 0.0455 *
W_DIST_CBD (θ) -0.095 0.062 -1.532 0.1256
─────────────────────────────────────────
CONSTANT 42.567 9.234 4.611 0.0000 ***
─────────────────────────────────────────
解读：
1. W_INCOME = 0.312 > 0：邻居收入对本区域房价有正向影响
2. W_CRIME = -0.178 < 0：邻居犯罪率对本区域房价有负向影响
3. θ系数显著 → SDM优于SLM4.4 模型检验
LR检验（SDM vs SLM）
H₀: θ = 0（SLM更优）
H₁: θ ≠ 0（SDM更优）
LR test: 8.56
p-value: 0.014 *
结论：拒绝H₀，SDM优于SLMLR检验（SDM vs SEM）
H₀: θ = -ρβ（SEM更优）
H₁: θ ≠ -ρβ（SDM更优）
LR test: 6.23
p-value: 0.044 *
结论：拒绝H₀，SDM优于SEM5. 模型选择策略
5.1 Elhorst选择流程
步骤1：运行OLS回归
步骤2：检验空间依赖性
├─ LM(lag)不显著 且 LM(error)不显著
│ → 使用OLS
│
├─ LM(lag)显著 且/或 LM(error)显著
│ │
│ ├─ 只有LM(lag)显著
│ │ → 使用SLM
│ │
│ ├─ 只有LM(error)显著
│ │ → 使用SEM
│ │
│ └─ 两者都显著
│ ├─ Robust LM(lag)显著
│ │ → 使用SLM
│ │
│ ├─ Robust LM(error)显著
│ │ → 使用SEM
│ │
│ └─ 两者都显著
│ → 运行SDM，做LR检验5.2 基于信息准则选择
比较AIC/BIC：
模型 AIC BIC
─────────────────────────
OLS 512.34 524.56
SLM 479.12 491.34
SEM 486.24 498.46
SDM 472.45 496.89
选择规则：
- AIC/BIC越小越好
- SDM的AIC最小 → 选择SDM5.3 理论驱动的选择
| 理论机制 | 推荐模型 | 理由 |
|---|---|---|
| 邻里效应 | SLM | 相邻单元直接互动 |
| 知识溢出 | SDM | 自变量和因变量都有溢出 |
| 遗漏变量 | SEM | 控制未观测的空间相关 |
| 测量误差 | SEM | 误差项的空间模式 |
| 不确定 | SDM | 最一般模型，减少偏误 |
6. 地理加权回归（GWR）
6.1 概念
地理加权回归（Geographically Weighted Regression, GWR） 是一种局部回归方法，允许回归系数在空间上变化。
全局回归：
y_i = β₀ + β₁x₁ᵢ + β₂x₂ᵢ + εᵢ
（β对所有位置相同）
GWR：
y_i = β₀(uᵢ,vᵢ) + β₁(uᵢ,vᵢ)x₁ᵢ + β₂(uᵢ,vᵢ)x₂ᵢ + εᵢ
（β随位置(u,v)变化）6.2 权重函数
GWR使用核函数对邻近观测赋予更高权重：
固定带宽（Fixed Bandwidth）
所有位置使用相同的带宽h
高斯核：
wᵢⱼ = exp(-dᵢⱼ² / 2h²)
其中：
dᵢⱼ = 位置i和j的距离
h = 带宽参数自适应带宽（Adaptive Bandwidth）
每个位置选择固定数量的最近邻
bi-square核：
wᵢⱼ = [1 - (dᵢⱼ/dᵢ^(k))²]² if dᵢⱼ < dᵢ^(k)
wᵢⱼ = 0 otherwise
其中：
dᵢ^(k) = 位置i到第k个最近邻的距离6.3 带宽选择
交叉验证法（CV）
CV(h) = Σᵢ [yᵢ - ŷ_≠ᵢ(h)]²
选择h使CV(h)最小
ŷ_≠ᵢ(h) = 排除位置i后的GWR预测值AIC准则
AIC(h) = n × ln(RSS/n) + n × ln(2π) + n + tr(S)
其中：
tr(S) = GWR帽子矩阵的迹（有效参数数量）
选择h使AIC(h)最小6.4 GeoDa操作
步骤1：运行GWR
1. Methods → GWR
2. 设置变量：
┌────────────────────────────────┐
│ GWR Setup │
├────────────────────────────────┤
│ Dependent Variable: [PRICE] │
│ Independent Variables: │
│ ☑ INCOME, CRIME, DIST_CBD │
│ │
│ Bandwidth Type: │
│ ◉ Adaptive │
│ ○ Fixed │
│ │
│ Kernel Function: │
│ ◉ Bi-square │
│ ○ Gaussian │
│ │
│ Bandwidth Selection: │
│ ◉ AICc │
│ ○ CV │
│ │
│ [Run] [Cancel] │
└────────────────────────────────┘步骤2：查看GWR结果
─────────────────────────────────────────
GWR RESULTS
─────────────────────────────────────────
Bandwidth: 45 (adaptive, bi-square)
Kernel: Adaptive bi-square
Summary of Local Coefficients:
─────────────────────────────────────────
Variable Min Mean Max Std
─────────────────────────────────────────
INCOME 0.512 0.834 1.245 0.156
CRIME -0.412 -0.256 -0.123 0.068
DIST_CBD -0.289 -0.178 -0.089 0.047
─────────────────────────────────────────
Global R-squared: 0.723
Local R-squared: Mean = 0.756, Min = 0.612, Max = 0.834
─────────────────────────────────────────
解读：
1. INCOME系数范围[0.512, 1.245]：收入对房价的影响存在空间异质性
2. 局部R²均值0.756 > 全局R² 0.723：GWR拟合更好
3. 可以绘制系数的空间分布图步骤3：可视化GWR系数
GWR结果窗口 → Maps → Coefficient Maps
显示：
- INCOME系数空间分布图
- CRIME系数空间分布图
- DIST_CBD系数空间分布图
- 局部R²空间分布图
发现：
- 市中心：INCOME系数较小（房价对收入不敏感）
- 郊区：INCOME系数较大（房价对收入敏感）6.5 GWR vs 全局空间模型
| 特性 | 全局模型（SLM/SEM） | GWR |
|---|---|---|
| 系数 | 全局常数 | 局部变化 |
| 空间异质性 | 无法捕捉 | 可以捕捉 |
| 空间依赖 | 通过W建模 | 通过权重函数 |
| 解释 | 全局平均效应 | 局部空间模式 |
| 预测 | 全局预测 | 局部预测 |
6.6 GWR局限
1. 计算量大（n²复杂度）
2. 过度拟合风险（大量参数）
3. 多重共线性（局部样本少）
4. 无法同时建模空间依赖和空间异质性7. 实战案例
案例1：房价决定因素分析
研究问题
研究区域：某市200个街区
研究问题：房价的空间决定因素及溢出效应数据
因变量：
- PRICE：房价（元/平方米）
自变量：
- INCOME：家庭收入（万元）
- CRIME：犯罪率（件/千人）
- DIST_CBD：到CBD距离（km）
- GREEN：绿地覆盖率（%）
- SCHOOL：学区评分（1-10）分析步骤
步骤1：探索性分析
1. 绘制房价分位数地图
Map → Quantile Map → PRICE
发现：房价呈明显的空间聚集模式
2. 全局Moran's I
Space → Univariate Moran's I → PRICE
结果：I = 0.672, p < 0.001
结论：房价存在显著空间自相关步骤2：OLS回归
Methods → Regression → Classic
结果：
─────────────────────────────────────────
Variable Coef Std Err t-stat p-value
─────────────────────────────────────────
INCOME 0.856 0.112 7.643 0.0000 ***
CRIME -0.234 0.065 -3.600 0.0004 ***
DIST_CBD -0.178 0.042 -4.238 0.0000 ***
GREEN 0.089 0.034 2.618 0.0094 **
SCHOOL 0.156 0.048 3.250 0.0013 **
CONSTANT 25.678 6.234 4.118 0.0001 ***
─────────────────────────────────────────
R-squared: 0.654
Spatial Diagnostics:
LM(lag) = 23.45, p = 0.0000 ***
LM(error) = 18.23, p = 0.0000 ***
Robust LM(lag) = 8.56, p = 0.0034 **
Robust LM(error) = 3.34, p = 0.0676
─────────────────────────────────────────
诊断：
- 空间依赖性显著
- Robust LM(lag)显著 → 优先考虑SLM步骤3：空间滞后模型（SLM）
Methods → Regression → Spatial Lag
结果：
─────────────────────────────────────────
Variable Coef Std Err t-stat p-value
─────────────────────────────────────────
W_PRICE 0.425 0.085 5.000 0.0000 ***
INCOME 0.812 0.108 7.519 0.0000 ***
CRIME -0.225 0.062 -3.629 0.0003 ***
DIST_CBD -0.168 0.040 -4.200 0.0000 ***
GREEN 0.085 0.032 2.656 0.0079 **
SCHOOL 0.148 0.045 3.289 0.0010 **
CONSTANT 18.456 6.012 3.071 0.0021 **
─────────────────────────────────────────
R-squared: 0.723
LR test (ρ=0): 18.34, p = 0.0000 ***
Effects:
Variable Direct Indirect Total
──────────────────────────────────
INCOME 0.876 0.523 1.399
CRIME -0.243 -0.145 -0.388
──────────────────────────────────
解读：
1. ρ = 0.425：邻居房价每增加1%，本区域房价增加0.425%
2. INCOME直接效应0.876：本区域收入增加1万，房价增加876元/m²
3. INCOME间接效应0.523：邻居收入增加1万，本区域房价增加523元/m²
4. R²提升至0.723，SLM优于OLS步骤4：空间杜宾模型（SDM）
Methods → Regression → Spatial Durbin
结果：
─────────────────────────────────────────
Variable Coef t-stat p-value
─────────────────────────────────────────
W_PRICE (ρ) 0.385 4.523 0.0000 ***
INCOME 0.798 7.156 0.0000 ***
CRIME -0.218 -3.412 0.0006 ***
DIST_CBD -0.172 -4.012 0.0001 ***
GREEN 0.082 2.512 0.0120 *
SCHOOL 0.142 3.089 0.0020 **
─────────────────────────────────────────
W_INCOME 0.285 2.156 0.0311 *
W_CRIME -0.165 -2.012 0.0442 *
W_DIST_CBD -0.088 -1.456 0.1456
W_GREEN 0.065 1.234 0.2171
W_SCHOOL 0.112 1.567 0.1171
─────────────────────────────────────────
R-squared: 0.738
LR test (SDM vs SLM): 6.78, p = 0.234
─────────────────────────────────────────
诊断：
- LR检验不显著 → SLM可能足够
- 但W_INCOME和W_CRIME显著 → 空间溢出存在步骤5：地理加权回归（GWR）
Methods → GWR
结果：
─────────────────────────────────────────
Summary of Local Coefficients:
Variable Min Mean Max Std
─────────────────────────────────────────
INCOME 0.512 0.815 1.345 0.178
CRIME -0.412 -0.225 -0.089 0.078
DIST_CBD -0.289 -0.168 -0.067 0.052
─────────────────────────────────────────
Local R-squared: Mean = 0.762
发现：
1. INCOME系数变化最大（标准差0.178）
- 市中心：系数较小（≈0.6）
- 郊区：系数较大（≈1.2）
→ 郊区房价对收入更敏感
2. CRIME系数也有空间变化
- 北部：影响较大（≈-0.35）
- 南部：影响较小（≈-0.15）最终模型选择
综合考虑：
1. 理论机制：
- 房价存在邻里效应 → SLM/SDM
- 自变量溢出存在 → SDM
2. 统计检验：
- Robust LM(lag)显著 → SLM/SDM
- LR检验不显著 → SLM足够
3. 拟合优度：
- SLM R² = 0.723
- SDM R² = 0.738（提升有限）
- GWR Local R² = 0.762（最高）
推荐模型：
- 主要分析：SLM（简洁，易解释）
- 补充分析：GWR（探索空间异质性）政策建议
基于SLM结果：
1. 空间溢出效应（ρ = 0.425）：
- 房价政策需考虑区域协调
- 单个街区的改善会带动周边
2. 收入效应（直接0.876 + 间接0.523 = 1.399）：
- 提高居民收入是提升房价的根本
- 邻居收入提升也会带动本区域房价
3. 犯罪率（直接-0.243 + 间接-0.145 = -0.388）：
- 降低犯罪率对房价有显著正向影响
- 治安改善存在空间溢出
4. 学区（0.148）：
- 教育资源对房价影响显著
- 学区房政策需谨慎制定案例2：经济增长收敛性分析
研究问题
研究区域：中国31个省份
研究问题：经济增长是否存在β收敛？
（落后地区增长是否更快？）模型设定
β收敛模型：
ln(yᵢ,ₜ₊ₜ / yᵢ,ₜ) = α + β × ln(yᵢ,ₜ) + εᵢ
其中：
yᵢ,ₜ = 省份i在t年的人均GDP
yᵢ,ₜ₊ₜ = 省份i在t+T年的人均GDP
β < 0 → 存在收敛
考虑空间效应：
ln(yᵢ,ₜ₊ₜ / yᵢ,ₜ) = α + β × ln(yᵢ,ₜ) + ρ × W × ln(yᵢ,ₜ₊ₜ / yᵢ,ₜ) + εᵢGeoDa分析
1. 数据准备
- 计算1990-2020年人均GDP增长率
- 创建省份邻接权重
2. OLS回归
β = -0.023, p = 0.056（边缘显著）
LM(lag) = 5.67, p = 0.017 *
3. SLM回归
β = -0.031, p = 0.012 *
ρ = 0.312, p = 0.023 *
结论：
- 考虑空间效应后，β收敛显著
- 存在正向空间溢出（ρ = 0.312）
- 落后省份增长更快，但受邻居影响8. 结果报告撰写
8.1 标准报告结构
markdown
## 空间回归分析结果
### 1. 模型选择
**空间依赖性诊断**：
- LM(lag) = 23.45, p < 0.001
- LM(error) = 18.23, p < 0.001
- Robust LM(lag) = 8.56, p = 0.003
- Robust LM(error) = 3.34, p = 0.068
**模型选择**：基于Robust LM检验，选择空间滞后模型（SLM）
### 2. 回归结果
**SLM估计结果**：
| 变量 | 系数 | 标准误 | t值 | p值 | 直接效应 | 间接效应 | 总效应 |
|------|------|--------|-----|-----|----------|----------|--------|
| ρ | 0.425 | 0.085 | 5.00 | 0.000 | - | - | - |
| INCOME | 0.812 | 0.108 | 7.52 | 0.000 | 0.876 | 0.523 | 1.399 |
| CRIME | -0.225 | 0.062 | -3.63 | 0.000 | -0.243 | -0.145 | -0.388 |
**模型拟合**：
- R² = 0.723
- LR test (ρ=0) = 18.34, p < 0.001
### 3. 主要发现
1. **空间溢出效应显著**（ρ = 0.425, p < 0.001）
- 邻居房价每增加1%，本区域房价增加0.425%
2. **收入对房价有正向影响**
- 直接效应：0.876
- 间接效应：0.523
- 总效应：1.399
3. **犯罪率对房价有负向影响**
- 直接效应：-0.243
- 间接效应：-0.145
### 4. 政策建议
基于空间回归结果，建议：
1. 制定区域协调的房价调控政策
2. 通过提高收入水平提升房价
3. 加强治安管理，降低犯罪率9. 常见问题
Q1: OLS和SLM的系数可以比较吗？
不能直接比较！
原因：
1. SLM的系数解释不同（包含空间反馈）
2. SLM应看直接效应，而非原始系数
正确做法：
- SLM报告直接效应、间接效应
- OLS系数 ≈ SLM直接效应（如果ρ较小）Q2: ρ值很大（>0.8）怎么办？
可能问题：
1. 空间权重矩阵设定不当
2. 数据存在高度空间依赖
3. 变量选择问题
解决方案：
1. 检查权重矩阵（尝试不同类型）
2. 增加控制变量
3. 考虑变量变换（对数、差分）Q3: 如何处理负的ρ值？
ρ < 0 可能原因：
1. 竞争效应（邻居高，本区域低）
2. 替代效应
3. 数据问题
例子：
- 商业中心竞争（ρ < 0正常）
- 房价（通常ρ > 0，如果ρ < 0需检查）Q4: GWR结果如何汇总？
GWR产生大量局部系数，汇总方法：
1. 描述性统计（Min, Mean, Max, Std）
2. 绘制系数空间分布图
3. 识别系数极端值区域
4. 结合专业知识解释空间变化10. 小结
空间回归分析是处理空间数据的核心方法。
关键要点：
- OLS假设不适用于空间数据
- SLM捕捉因变量的空间依赖
- SEM捕捉误差项的空间依赖
- SDM是最一般的空间模型
- GWR捕捉空间异质性
- 模型选择需结合统计检验和理论机制
- 关注直接效应和间接效应
最佳实践：
- 先运行OLS诊断空间依赖
- 使用LM检验选择模型
- 报告直接效应和间接效应
- 结合GWR探索空间异质性
- 图表结合，增强可读性
附录：数学推导
SLM的简化形式
y = ρWy + Xβ + ε
(I - ρW)y = Xβ + ε
y = (I - ρW)⁻¹Xβ + (I - ρW)⁻¹ε
空间乘数：M = (I - ρW)⁻¹ = I + ρW + ρ²W² + ρ³W³ + ...
总效应 = M × β
直接效应 = diag(M) × β
间接效应 = (M - I) × βSEM的ML估计
对数似然函数：
ln L = -n/2 ln(2π) - 1/2 ln|Ω| - 1/2 e'Ω⁻¹e
其中：
Ω = σ²(I - λW)⁻¹(I - λW')⁻¹
e = y - Xβ
通过数值优化求解GWR的局部估计
对于位置i，加权最小二乘：
β̂(i) = (X'W(i)X)⁻¹X'W(i)y
其中：
W(i) = diag(wᵢ₁, wᵢ₂, ..., wᵢₙ)
wᵢⱼ = 核函数（位置j到位置i的距离）