二元空间自相关：莫兰双变量指数的原理与计算实践

二元空间自相关系数计算

——从单变量莫兰指数到双变量空间关联的深度解析

在空间统计领域，单变量全局莫兰指数（Global Moran’s I）已被广泛用于检验某一地理变量是否存在空间自相关。然而，现实世界中我们常常关心两个不同变量之间的空间关联模式：例如，某一地区的空气污染水平是否与周边地区的呼吸道疾病发病率存在空间上的依赖？位于高收入社区附近的零售店铺，其销售额是否会受到相邻社区的消费能力影响？回答这类问题，需要借助二元空间自相关系数，其核心工具便是二元莫兰指数（Bivariate Moran’s I）。

1. 什么是二元空间自相关？

二元空间自相关衡量的是：一个变量在给定位置上的观测值，与另一个变量在其邻域位置上的观测值之间的空间依赖程度。与单变量情形不同，我们不再只关心 x_i 和邻近的 x_j 的关系，而是关注 y_i（或 x_i）和邻近 y_j（或 x_j）的交叉关联。这一概念由 Luc Anselin 等学者推广，是局部空间关联指标（LISA）的重要延伸。

数学上，二元全局莫兰指数定义如下：

        \[
        I_{xy} = \frac{N}{\sum_{i=1}^{N}\sum_{j=1}^{N} w_{ij}} \cdot 
        \frac{\sum_{i=1}^{N}\sum_{j=1}^{N} w_{ij} (x_i - \bar{x})(y_j - \bar{y})}
             {\sqrt{\sum_{i=1}^{N}(x_i - \bar{x})^2} \sqrt{\sum_{j=1}^{N}(y_j - \bar{y})^2}}
        \]
    

其中：

N 为空间单元总数；
w_ij 为空间权重矩阵元素，通常行标准化，表示区域 i 与 j 的邻接关系（如 Rook 或 Queen 邻接、距离阈值等）；
x_i 为位置 i 上的第一个变量值，y_j 为邻域位置 j 上的第二个变量值；
\(\bar{x}\)、\(\bar{y}\) 分别为两个变量的均值。

注意公式的非对称性：一般情况下 I_xy ≠ I_yx。当交换变量角色时，即使使用同一空间权重矩阵，也会得到不同的指数值，因为分子中的交叉乘积项发生了改变。

2. 计算步骤与实例演示

下面以4个简单区域为例，借助 R 风格伪代码说明计算过程。假设变量 X（犯罪率）和 Y（失业率）的观测值及 Queen 邻接权重：

区域	邻居	X (犯罪率)	Y (失业率)
A	B, C	10	8
B	A, C, D	6	5
C	A, B, D	8	7
D	B, C	4	3

首先构建行标准化权重矩阵 W，然后分别计算两个变量的 z-score：z_xi = (x_i - 7)/2.58，z_yj = (y_j - 5.75)/1.92。接着计算二元莫兰指数：

# R 风格伪代码
x <- c(10, 6, 8, 4)
y <- c(8, 5, 7, 3)
W <- matrix(c(0,   1/2, 1/2, 0,
              1/3, 0,   1/3, 1/3,
              1/3, 1/3, 0,   1/3,
              0,   1/2, 1/2, 0), nrow=4, byrow=TRUE)

zx <- scale(x, scale=TRUE)[,1]
zy <- scale(y, scale=TRUE)[,1]
I_xy <- sum(W * outer(zx, zy)) / sum(W)  # 二元莫兰指数

运行得到 I_xy ≈ 0.384，说明地区自身的犯罪率与邻居的失业率之间存在中等程度的正向空间关联。若交换角色计算 I_yx，结果可能略有不同，因为标准差标准化仅基于各自的变量。

3. 显著性检验

二元莫兰指数的统计推断通常基于随机排列检验（permutation test）。原假设为变量 X 与变量 Y 的空间分布彼此独立。每次检验时，固定一个变量（如 X）的空间位置，将另一变量（Y）的观测值随机分配到所有位置，计算新的 I_xy。重复 999 次或更多，形成零分布，然后通过比较实际观测到的指数值获得伪 p 值。

在 ArcGIS、GeoDa 或 R 的 spdep 包中，均内置了此类检验。例如，在 R 中调用 moran.test() 的变体或直接使用 moran_bv() 函数，即可输出指数值、期望值与 p 值。

4. 局部二元莫兰指数与空间模式识别

全局指数掩盖了区域内部的异质性，而 局部二元莫兰指数（Bivariate Local Moran’s I）可以将关联分解到每个空间单元：

        \[
        I_i^{xy} = z_{xi} \sum_{j=1}^{N} w_{ij} z_{yj}
        \]
    

其中 z_xi 和 z_yj 分别为两个变量的标准化值。这一指标能够揭示四种典型的空间关联类型：高 X‑高 Y 邻域（HH）、低 X‑低 Y 邻域（LL）、高 X‑低 Y 邻域（HL）以及低 X‑高 Y 邻域（LH）。将这些结果绘制成莫兰散点图或 LISA 聚集图，可以直观地展示空间异质性。

5. 应用与注意事项

二元空间自相关在环境公正研究、公共卫生、房地产分析等领域有广泛应用。例如，分析土壤重金属含量（X）与邻近区域癌症发病率（Y）的关系，或者城市绿地覆盖（X）与周围房价（Y）的关联。

使用中需注意：①空间权重矩阵的定义对结果影响很大，务必根据实际地理关系选择恰当的邻接方式或距离阈值；②变量最好预先进行正态化变换，以减少异常值干扰；③二元莫兰指数仅反映线性空间交叉依赖，对于非线性关系还需借助其他方法；④双变量空间自相关不等于因果关系，统计显著并不意味着变量之间存在直接的因果机制。

6. 结语

二元莫兰指数将空间自相关的概念从单一变量扩展到了两个变量的交叉作用，为探索空间数据中不同现象之间的空间耦合提供了简洁而有力的工具。通过结合全局和局部视角，研究者能够更为精细地刻画地理过程的复杂关联，从而为区域政策制定和空间干预提供量化依据。

扩展阅读：Anselin, L. (1995). Local Indicators of Spatial Association—LISA. Geographical Analysis, 27(2), 93–115.

支持我们继续前行

💝 支持方式

📊 收支透明公示

二元空间自相关系数计算

二元空间自相关系数计算

1. 什么是二元空间自相关？

2. 计算步骤与实例演示

3. 显著性检验

4. 局部二元莫兰指数与空间模式识别

5. 应用与注意事项

6. 结语

💬 评论 (0)