如何选择空间权重矩阵

视频讲解 · 01:37 先说明谁是谁的邻居

Vera 比较邻接、距离带与 k 近邻三种构造方式，说明每一种 W 都隐含不同的空间机制。短片先建立选择逻辑，正文再讨论标准化、非对称结构与稳健性检验。

短片用于比较常见邻居定义；矩阵选择的理论依据与敏感性检查仍以正文为准。

每一种空间统计量——Moran’s I、空间滞后、空间误差项——都建立在一项更早的决定之上：谁是谁的邻居？ 空间权重矩阵 $W$ 就是回答这一问题的地方。它是一个 $n \times n$ 矩阵，其中 $w_{ij}$ 表示单元 $i$ 与单元 $j$ 的连接强度，按惯例 $w_{ii}=0$。一旦矩阵固定，空间滞后 $Wz$ 便只是每个单元邻居取值的加权平均，也是空间方法真正操作的对象。

数据不会自动给出 W，研究者必须选择它的结构：

• 接壤。 若区域 $i$ 与 $j$ 共享边界，则 $w_{ij}=1$。Rook 接壤要求共享边；Queen 接壤还将共享顶点计为邻接，因此邻居更多。它适用于行政区或普查区等面状单元。
• 距离带。 若距离 $d_{ij}$ 不超过阈值 $\delta$，则 $w_{ij}=1$，否则为 0。方法简单，但阈值敏感：过小时，一些单元会成为没有邻居的孤岛；过大时，高密度区域会获得数量庞大的邻居。
• k 近邻。 每个单元连接距离最近的 k 个单元，保证所有位置恰好拥有 k 个邻居。它在密度不均时较稳健（拥挤中心与稀疏边缘并存），代价是矩阵天然可能不对称——i 可以是 j 的邻居，而反向关系不一定成立。

随后进行行标准化：将每行元素除以该行之和，使 $\sum_j w_{ij}=1$。此时 $Wz$ 是真正的平均值，可在邻居数量不同的单元之间比较；空间参数（$\rho$、$\lambda$）也落入更易解释的有界范围。Moran’s I 与空间回归通常都采用这一处理。

必须理解的一点是：W 是建模假设，而不是测量结果。 它是外生且预先设定的；不能根据结果变量 y 反向估计。它也会实质性影响结论：更稠密的 W 通常会提高测得的自相关，而选择不当的 W 甚至可能改变决定空间模型类型的诊断检验。因此，至少需要遵守以下纪律：

1. 根据实质机制选择结构——为什么这些单元应当互为邻居？
2. 在查看结果之前固定矩阵，避免把 W 调整到预期答案。
3. 使用其他合理的 W 重新估计（不同的 k、Rook 与 Queen、不同距离阈值），并报告结论是否保持。

如果一个叙述只在某个精心挑选的权重方案下成立，那么它说明的更可能是 W，而不是空间本身。