Note: 审到一文章利用局域空间自相关分析创新集聚比较的，之前不了解，顺便学习下。大概属于空间统计学方面的内容。

局部空间自相关分析：

通过分析测算空间关联局域指标（Local Indicators of Spatial Association, LISA）显著水平，采用Moran 散点图、Local Moran’s I统计量来分析每个区域与周边地区间的空间差异程度。

Moran散点图

Ø        用散点图描述变量Z与其空间滞后（即该观测值周围邻居的加权平均）向量Wz之间的相关关系。

Ø        横轴对应描述变量，纵轴对应空间滞后向量

Ø        分为四个象限，分别识别一个地区及其邻近地区的关系。

         第一象限（HH）：表示高创新水平的区域被高创新水平的其他区域所包围；

         第二象限（LH）：表示低创新水平的区域被高创新水平的其他区域所包围；

         第三象限（LL）：低被低包围

         第四象限（HL）：高被低包围

Ø        一、三象限正的空间自相关关系表示相似观测值之间的空间联系，暗示相似值的聚集

Ø        二、四象限负的空间自相关关系表示不同观测值之间的空间联系，暗示空间异常（spatial outliers）

Ø        如果观测值均匀地分布在四个象限，则表示地区之间不存在空间自相关性。

Local Moran’s I_i统计量

Ø        度量区域i与其周围地区创新产出的空间上的差异程度及其显著性，是全局空间自相关统计量Global Moran’s I的分解。对第i个区域而言，其形式为

（note: 这里I_i对于标准化了的观测值而言，相当于相关系数，若>0，说明描述变量z_i与其空间滞后变量之间是正相关的，而z_i大于0，说明是“高创新水平”的区域，一般而言，高创新水平的区域与“高创新水平”的其他区域是正相关关系)