再继续上一句，把书接上一句。
上次你说可以在GeoDa上定制空间权重矩阵和空间关系，那么空间关系到底会对我们的分析产生什么样的影响呢？ 今天，我用一个简单的例子给大家展示：
首先，让我们用常规方法演示一下如何在GeoDa中制作安静的黑裤子指数：
打开GeoDa，打开需要我们分析的数据。 例如，还在中国人口GDP的shape file (数据获取位于虾神的giteegithub上，公众号发送6获取仓库地址，不下载，发送仓库两个字)。
可以单击工具栏上的表格图标打开属性工作表。
我们随意选择年龄来推进距离。 比如用2016年吧。 你可以先用2016年的各省GDP绘制分位地图：
在地图窗口中单击鼠标右键，然后选择“更改当前地图类型”——“分位数”——5，将地图分为五个阶段。
然后选择要渲染的字段。 例如，这里选择的GDP2016 :
根据GDP，可以看出全国的数据分为五个阶段。
GeoDa进行探索性数据分析的功能非常强，效果也非常好，大家可以自己探索，仍然保持着其一贯的特色：简洁易用。
你可以在这里建立空间关系。 不说明具体流程。 请回到上一篇文章。
创建完成后，直接单击空间分析——单变量Moran's I。
选择要分析的字段，然后单击“确定”完成计算。
当然，这里一定会发出警告。 有独立的要素，系统说它们不参与计算。 在这种情况下，当然只能这样做。
结果如下。 最上面的title是我们想要的结果。 莫兰' s I : 0.297，下面是安静的黑裤子指数散点图。 关于这个散布图的原理和作用，LISA的时候会详细回答。
记住这个数值，接下来修正空间关系吧。 例如，我用中国传统的六种区域法组织空间关系。
空间关系矩阵定义如下。 (截图一部分，其他到仓库里去看原始数据)。
然后导入GeoDa并检查连接图。
结果如下。
如你所见，我们将根据传统中国的七大地块，划分区域，然后再做另一个莫兰' s I。 在这次的空间权重矩阵中，选择7个大区域：
结果不同：传统七大区域定义模式下莫兰' s为0.126。
可见，相同的数据在不同的空间关系下，得出了不同的结论，从0.297直接下降到0.126，p值直接超过0.13，下降了近60%，基本上从高度集合变成了随机分布……
到了这里，可能会有同学默默地问：黑裤子指数下降代表什么？ 如上所述，正向隐式黑裤指数表示数据呈正相关的集合模式。 所谓“强邻强省普遍出现； 弱小的旁边通常会出现弱者”。
关于以上的实验可以解读如下。
1、自然相邻关系中，空间分布呈现的正相关趋势更高，经济发展下，自然相邻省区经济关联度更高。 相比之下，根据7个地区的划分方法，经济关联度降低，但发展均衡度高于自然邻接方式。
试着用口语说明一下：
考虑到比较极端的情况，只能进行空间关系规定的相邻省份之间的经济活动。 (与自然相邻省接壤的省，7个地区与自己地区内的省开展相关经济活动，自然相邻省比地区封闭的省关联性更高。
正相关和集合可以表现为强强集合、发展不平衡，也可以表现为领导者的引领作用，和强省在一起，自身也会变强，反之亦然。 极端情况下，要划分为七个地区，与其他地区进行交流，强省对弱省的带动要弱于自然毗邻情况。
也可以认为，7个区域划分的方法，使各区域内出现强省和弱省的概率相等，强省对弱省的拉动效果并不十分明显。
我们可以用两种空间模式进行2000年-2018年、18年的比较。 当然，用GeoDa工具一个一个地做，也就是说，也不过是18 * 2=36次……。 一般来说，有很多方法可以选择实现编程，而不用这种费力就可以读取GeoDa空间的权重矩阵。
分析结果如下。
如果需要源代码和数据，请向公共编号发送“r语言”以获取仓库地址。
打工结束。
版权声明：该文观点仅代表作者本人。处理文章：请发送邮件至 三1五14八八95#扣扣.com 举报，一经查实，本站将立刻删除。
