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 × 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δ，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 Σ_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（ρ、λ）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：
- 根据实质机制选择结构——为什么这些单元应当互为邻居？
- 在查看结果之前固定矩阵，避免把
W调整到预期答案。 - 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。