把地理因素放进回归之后，“空间”几乎从来不只代表一件事。它通常包含两个需要不同工具处理的问题。首先判断面对的是哪一个，才是建模中真正的第一项决定；若在这里判断错误，后续推断会在不易察觉的情况下失效。
两种现象，而非一种
空间依赖是数据协方差结构的属性：某个结果，或其周围的误差，会在相邻单元之间相关。Tobler 第一定律——邻近事物通常比遥远事物关系更密切——是它的非正式表述。研究者用空间权重矩阵 W 编码“相邻”（接壤、距离带或 k 近邻，通常进行行标准化），随后写出两个经典模型之一：
空间滞后（SAR）： y = ρ W y + X β + ε
空间误差（SEM）： y = X β + u， u = λ W u + ε在滞后模型中，结果本身会发生溢出：本地取值响应邻近单元的取值，ρ 衡量这种关联强度。由于 y 同时出现在等式两侧，任何一处冲击都会通过约化式 y = (I − ρW)⁻¹(Xβ + ε) 向全局传播，因此一个协变量的效应必须拆分为直接效应与间接（溢出）效应；此时朴素的 β 已不再等于边际效应。在误差模型中，溢出来自由 λ 捕捉的、被遗漏且具有空间结构的因素；这里 β 在 OLS 下仍保持一致，但标准误错误，推断会产生误导。
关键在于：这两个模型中的关系仍是全局的。一组 β 描述整张地图。空间进入协方差结构，而不是参数本身。
空间异质性恰好相反——参数本身会随空间位置变化：
y_i = β₀(u_i, v_i) + Σ_k β_k(u_i, v_i) · x_ki + ε_i其中 (u_i, v_i) 是观测 i 的坐标。地理加权回归（GWR）在每个位置分别估计一个核加权回归，带宽由 AICc 或交叉验证选择，最终得到局部系数组成的表面，即每个位置都有一个 β。此时不存在唯一的“X 的效应”，而只有这里的效应与那里的效应。空间进入参数，而不再只是协方差。
如何区分
- 先估计全局 OLS，并检查残差。
- 对残差计算 Moran’s I，检验是否仍存在空间结构：
I = (n / S₀) · (eᵀ W e) / (eᵀ e)显著的 I 只能说明“空间仍然存在”，却不能说明是哪一种空间问题。依赖与未建模的异质性都可能留下自相关残差，因此 Moran’s I 是烟雾报警器，而不是诊断结果。
3. 若要识别依赖的形式，应使用 LM（拉格朗日乘数）检验及其稳健版本（Anselin 决策规则）。稳健 LM-error 与稳健 LM-lag 的结果可指向 SEM 或 SAR。
4. 若要识别异质性，应提出另一类问题：全局模型是否在完整区域中呈现系统性失配？空间分区或 Chow 类检验、GWR 相对全局模型的 AICc 改善，以及呈斑块状的局部 R² 表面，都是可能的信号。
这一区分为何不是术语之争
- 若真实关系随空间变化，却只加入一个滞后项，模型会把失配吸收到
ρ中，最后报告一个在任何地点都不准确的平均系数。 - 若问题只是相邻误差相关，却使用 GWR，系数会为了吸收噪声而四处漂移，模型过度拟合出一个实际上由估计机制制造的“异质性”表面。
二者也可能同时出现。一项关系可以随空间变化，同时仍留下相邻相关的误差；这时需要同时处理，例如采用具有空间稳健推断的 GWR、空间变系数模型，或在不同协变量作用于不同空间尺度时使用 MGWR。
一句话判断
需要问的是：邻居的取值是否渗入了我的取值，还是 X 与 y 之间的规则在地图上移动时发生了改变？前者是协方差问题（空间依赖），后者是参数问题（空间异质性）。整个建模链条取决于哪一个答案为“是”。