空間重み行列をどう選ぶか

映像解説 · 01:37 誰を誰の近隣とするかを先に定める

Vera が隣接、距離帯、k 近傍の構成を比較し、それぞれの W が異なる空間機序を符号化することを示す。映像で選択の論理を押さえ、本文で標準化、非対称性、頑健性検証を扱う。

映像は代表的な近隣定義を比較する。理論的根拠と感度分析は本文で扱う。

Moran’s I、空間ラグ、空間誤差項——あらゆる空間統計量は、それ以前の一つの決定に依存する。誰を誰の近隣とするのか。 空間重み行列 $W$ は、その答えを置く場所である。$n \times n$ 行列の要素 $w_{ij}$ が単位 $i$ と $j$ の結びつきの強さを表し、慣例として $w_{ii}=0$ とする。一度固定すれば、空間ラグ $Wz$ は各単位の近隣値の加重平均であり、空間手法が実際に操作する対象となる。

データが W を渡してくれるわけではない。構造は研究者が選ぶ。

• 隣接。 地域 $i$ と $j$ が境界を共有するとき $w_{ij}=1$。Rook 隣接は辺の共有を必要とし、Queen は頂点の共有も数えるため近隣が増える。行政区や国勢調査区など面単位に自然である。
• 距離帯。 距離 $d_{ij}$ が閾値 $\delta$ 以下なら $w_{ij}=1$、それ以外は 0。単純だが閾値に敏感で、小さすぎると近隣を持たない孤島が生まれ、大きすぎると高密度地域の近隣数が極端に増える。
• k 近傍。 各単位を最も近い k 単位へ結び、どこでも近隣数を k に保つ。密度が不均一な場合（混雑した中心と疎な周縁）に頑健だが、構造上非対称になりうる。i が j の近隣でも、その逆とは限らない。

次に行標準化を行う。各行を行和で割って $\sum_j w_{ij}=1$ とする。すると $Wz$ は真の平均となり、近隣数が異なる単位間でも比較できる。空間パラメータ（$\rho$、$\lambda$）も解釈可能な有界範囲に収まる。Moran’s I と空間回帰の双方で標準的な処理である。

内面化すべき点は、W が測定値ではなくモデル仮定であることだ。外生的に事前指定するものであり、結果変数 y から推定してはならない。しかも影響は大きい。密な W は一般に測定される自己相関を強め、選択の悪い W は空間モデルを決める診断検定の結論まで反転させうる。必要な規律は次の通りである。

1. 実質的な根拠に基づいて構造を選ぶ——なぜこれらが近隣なのか。
2. 望む答えに W を合わせないよう、結果を見る前に固定する。
3. 別の合理的な W（異なる k、Rook と Queen、別の距離閾値）でも分析を繰り返し、結論が残るかを報告する。

一つの恣意的な重み付けでしか成立しない物語は、空間の物語ではなく W の物語である。