Python 宏观经济实证 · 空间结构差异 - 动态分析 (2)

接上一篇《Python 宏观经济实证 · 空间结构差异 - 动态分析 (1)》

三、动态分析

3. 探索性空间数据分析（ESDA）

        探索性空间数据分析 是由地理计量学家 Luc Anselin 等系统提出与完善的空间统计学与地理信息科学研究方法。它以 空间依赖性（空间自相关）、空间异质性 为核心视角，在无先验理论假设的前提下，通过统计分析与可视化结合的方式，描述空间数据分布特征、识别空间集聚与异常值、展示空间依赖关系与潜在空间结构的方法集合，本质是 “数据驱动” 的空间模式识别方法，为后续验证性空间建模提供事实依据与建模前提。

步骤 1：数据获取与准备

        (1)Economy_1发展水平在各年份、省 / 市的综合得分，需要做空间数据分析的各维度标准数值；

        (2) 各省 / 市的平面坐标 ，辅助判定空间之间的位置关系。

步骤 2：构建空间权重矩阵

        为消除不同单元邻居数量差异的影响，通常对权重矩阵进行 行标准化，使每行权重之和为 1：

        (1) 邻接权重矩阵： 相接时为 1，反之为 0；

        (2) 距离阈值权重矩阵：两地之间的欧氏距离   小于等于某个阈值   时 为 1，反之为 0；

        (3) 反距离权重矩阵：，用于体现 “距离衰减” 的地理现象，， 为距离衰减系数，一般为 1 或 2；

        (4) k 近邻权重矩阵： 包含在与  距离最近的  个地区中时  为 1，反之为 0。        

步骤 3：全局空间自相关分析

        全局莫兰指数 Moran's I：