Moran指数分析

news2024/11/24 19:32:20

Moran指数分析

Moran指数（莫兰指数）是研究空间关系的一种相关系数值，比如研究中国31省市GDP之间是否具有空间相关关系。Moran指数通常分为两种，分别是全局Moran指数和local局部Moran指数。全局Moran指数用于分析整体上是否存在空间相关关系，如果全局Moran指数呈现出显著性，接着可进一步深入分析局部Moran指数了解细节性关系情况等。

Moran指数的计算上需要提供两项数据，分别是分析项数据，比如中国2021年GDP数据。除此之外，还需要提供‘空间权重矩阵’数据，‘空间权重矩阵’数据用于标识中国31省市之间的‘邻接’关系情况。‘空间权重矩阵’通常分为两类，分别是‘邻接矩阵’和‘距离权重矩阵’。‘邻接矩阵’使用0和1来标识省份之间是否有‘接壤’关系，0代表没有‘接壤’关系，1代表有‘接壤’关系。‘距离权重矩阵’使用具体数字表示省份之间的距离情况，此处的距离可为实际空间距离，也可以是经济距离等。通常情况下，使用‘邻接矩阵’较多。

更多关于‘空间权重矩阵’的内容，建议研究者查阅相关资料，包括‘邻接矩阵’的构造原理上，比如使用车相邻（Rook）、象相邻（Bishop）或后相邻（Queen）法等构造邻接矩阵等。SPSSAU系统进行Moran指数时，需要传入‘空间权重矩阵’和‘研究项’共两项数据即可进行计算。

Moran指数案例

1 背景

当前有2021年中国31省市的GDP数据，并且有计算好的‘邻接矩阵’数据，现希望研究2021年中国31省市GDP是否存在着空间相关关系，以及希望深入挖掘出一些潜在价值信息。当前的部分数据截图如下：

数据中包括2021年31省市的GDP数据，并且包括31省市的邻接权重矩阵，在分析时，首先上传数据，并且在分析时下拉选择‘2021年GDP’项，而邻接权重矩阵通过粘贴方式放入即可。

2 理论

Moran指数研究空间相关关系，首先分析全局Moran指数是否呈现出显著性，如果是则意味着存在着空间相关关系，接着可深入分析局部Moran指数，并且结合Moran散点图及研究对象所在象限分布情况，进一步挖掘潜在价值结论。

3 操作

本例子中操作截图如下：

选中‘Local Moran指数’，则会计算局部Moran指数值；
下拉选择本案例研究项，即2021年GDP；
置换次数：莫兰指数检验即p值计算是通过蒙特卡罗原理计算，一般置换次数越大检验稳定性越强，但该值越大计算量越大，常见选择99次或者999次即可；
权重矩阵：该参数代表‘空间权重矩阵’的标准化方式，默认是按行，可选按列标准化处理，通常情况下默认按行即可。
空间权重矩阵：EXCEL粘贴框中放入空间权重权重，并且第1行标识研究对象名称，空间权重矩阵为n*n数据结构。

4 SPSSAU输出结果

moran指数模型一共输出3个表格和1个图，说明如下：

5文字分析

从上表可知：全局Moran指数为0.213，并且呈现出0.05水平的显著性(z=2.137, p=0.016)，意味着中国31省市2021年GDP具有空间相关关系，而且是空间正相关关系，即具有一定的空间正向聚集关系。接着具体分析局部Moran指数，找到更深入的分析信息。

上表格展示局部Moran指数信息及其检查值，而且将31省市在Moran散点图中的象限位置也放在整理在一个表格中便于分析使用。由于数据信息量过大，因而在EXCEL中先筛选出显著性的省份数据如下图：

从上图可以看到，仅部分省市的Local Moran指数呈现出显著性。其中：上海，江苏，浙江，安徽，福建、山东，青海，宁夏，新疆这9个省呈现出显著性，而且这9个省份对应的Moran指数值均大于0，即意味着这9个省份具有空间正相关关系，也即说明该几个省份与其邻居省份之间具有正向协调关系，其GDP可能会带动周边省份的发展。与此同时，江西，海南，四川这3个省也呈现出显著性，但其Moran指数值小于0，即意味着该3个省呈现出空间负相关关系，该3个省的GDP发展反而会负面影响其邻居省份的GDP。

接着可进一步结合Local Moran指数的显著性，和其所属象限情况综合分析。

特别提示：