跳到主要内容

莫兰指数（Moran's I）

一、直观理解：高值是否喜欢挨着高值​

空间数据（省份 GDP、网格污染、网点销量）往往不独立：邻近单元的取值更相似，称为空间自相关。

Moran’s I 是最常用的全局空间自相关指标，回答：

在给定的“谁和谁算邻居”的规则下，变量是否呈现集聚（正自相关）或棋盘式分散（负自相关）？

  • I>0I>0：高-高、低-低集聚；
  • I≈0I\approx 0：空间随机（相对于所选权重）；
  • I<0I<0：高值与低值相间。

局部 Moran（LISA）进一步指出哪些区域是高-高热点、低-低冷点或高低异常。

二、适用场景与优缺点​

类型说明
适用场景区域统计探索；回归前检查残差空间依赖；热点制图；为 SAR/SEM 提供动机。
核心优点形式经典、可检验；全局+局部配套；对空间回归有直接启示。
局限与缺点完全依赖空间权重矩阵 WW；边界与尺度（可改区问题）敏感；正态近似在小样本差；显著≠因果。

三、核心原理​

设观测 xix_i，均值 xˉ\bar x，空间权重 wijw_{ij}（通常 wii=0w_{ii}=0），

I=n∑i∑jwij⋅∑i∑jwij(xi−xˉ)(xj−xˉ)∑i(xi−xˉ)2I=\frac{n}{\sum_{i}\sum_{j}w_{ij}} \cdot \frac{\sum_{i}\sum_{j}w_{ij}(x_i-\bar x)(x_j-\bar x)} {\sum_{i}(x_i-\bar x)^2}

在随机置换或正态假定下可得到期望、方差与 p 值。行标准化 WW 时解释更接近“邻域平均的相关”。

局部 Moran：

Ii=(xi−xˉ)m2∑jwij(xj−xˉ)I_i=\frac{(x_i-\bar x)}{m_2}\sum_j w_{ij}(x_j-\bar x)

结合 xix_i 与空间滞后 WxWx 的象限，划分 HH、LL、HL、LH。

权重构造常见选择：

  • 共边/共点邻接（Queen/Rook）；
  • k 近邻；
  • 距离阈值或核权重。

先定义 WW，再谈 I——不同 WW 结论可不同，必须报告。

四、关键决策​

1. WW 如何选​

与问题机理一致：污染看主导风向距离，行政区经济看邻接或通勤网络。做敏感性：邻接 vs kNN。

2. 变量变换​

偏态变量可先对数，再算 I。

3. 回归残差的 Moran​

比因变量 Moran 更关键：若 OLS 残差仍显著空间自相关，需 SAR/SEM 或加空间缺失变量。

4. 多重局部检验​

LISA 地图要意识到多重比较，解释聚焦强显著且连片区域。

五、MATLAB 示例​

% 构造 8x8 网格上的空间集聚数据
rng(17);
m = 8; n = m*m;
[ix, iy] = ind2sub([m, m], 1:n);
% 邻接权重（Rook：上下左右）
W = zeros(n);
for i = 1:n
    for j = i+1:n
        if abs(ix(i)-ix(j)) + abs(iy(i)-iy(j)) == 1
            W(i,j) = 1; W(j,i) = 1;
        end
    end
end
% 行标准化
rs = sum(W,2); rs(rs==0)=1;
W = W ./ rs;

% 生成空间相关场：x = (I - rho W)^{-1} e
rho = 0.6;
e = randn(n,1);
x = (eye(n) - rho*W) \ e;

% Moran' s I
x = x(:); xc = x - mean(x);
num = xc' * W * xc;
den = xc' * xc;
I = (n / sum(W(:))) * (num / den);
fprintf("Moran's I = %.4f\n", I);

% 置换检验
B = 999;
Iperm = zeros(B,1);
for b = 1:B
    xp = x(randperm(n)); xpc = xp - mean(xp);
    Iperm(b) = (n/sum(W(:))) * (xpc' * W * xpc) / (xpc' * xpc);
end
pval = (1 + sum(Iperm >= I)) / (B + 1);
fprintf("单侧置换 p ≈ %.4g (H1: 正自相关)\n", pval);

% 局部 Moran 与 Moran 散点
lag = W * xc;
Ii = (xc ./ (den/n)) .* lag;
figure;
scatter(xc, lag, 40, Ii, "filled"); colorbar;
xlabel("x - mean"); ylabel("W(x-mean)");
title(sprintf("Moran 散点, I=%.2f", I)); grid on; yline(0); xline(0);

六、如何解释结果​

  1. 空间单元与 WW 定义；
  2. 全局 I、期望、p 值；
  3. Moran 散点图；
  4. LISA 热点/冷点的实质解释；
  5. 对后续回归策略的含义；
  6. 换 WW 的敏感性。

七、常见误区​

1. 不报告 WW 只报 I​

结果不可复核。

2. 把显著正自当当因果溢出​

可能是共同遗漏变量（如同一政策区）。

3. 忽略尺度​

网格聚合方式一变，I 可能变（MAUP）。

4. OLS 显著就够了，不再看残差 Moran​

推断可能仍有空间依赖问题。

八、小结​

Moran’s I 的核心是：

在给定空间权重下，度量变量与其空间滞后的相关程度。

它是空间统计的体检仪：为制图叙事提供证据，也为是否进入 SAR/SEM 提供诊断。权重定义、置换检验与残差 Moran 是写作成色的关键。