[论文解读] An alternative to Moran's I for spatial autocorrelation

Yuzo Maruyama|arXiv (Cornell University)|Jan 26, 2015

Spatial and Panel Data Analysis参考文献 2被引用 6

一句话总结

本文提出了一种新的空间自相关度量 $ I_M $，它是莫兰的 $ I $ 的单调变换，可确保其取值范围精确为 $[-1, 1]$，解决了莫兰的 $ I $ 在某些空间权重矩阵下可能超出此范围的局限性。该变换纠正了偏差，使解释性可与皮尔逊相关系数相媲美，同时保持了置换检验的有效性。

ABSTRACT

Moran's I statistic, a popular measure of spatial autocorrelation, is revisited. The exact range of Moran's I is given as a function of spatial weights matrix. We demonstrate that some spatial weights matrices lead the absolute value of upper (lower) bound larger than 1 and that others lead the lower bound larger than -0.5. Thus Moran's I is unlike Pearson's correlation coefficient. It is also pointed out that some spatial weights matrices do not allow Moran's I to take positive values regardless of observations. An alternative measure with exact range [-1,1] is proposed through a monotone transformation of Moran's I.

研究动机与目标

• 解决莫兰的 $ I $ 始终在 -1 到 1 之间的误解，因为对于某些空间权重矩阵，该范围并不总是成立。
• 纠正某些权重矩阵导致莫兰的 $ I $ 无论数据如何都无法取正值的问题。
• 提出一种具有保证取值范围 $[-1, 1]$ 的新空间自相关度量，以提升可解释性。
• 确保新度量保持先前研究中使用的置换检验的统计有效性。

提出的方法

• 推导莫兰的 $ I $ 的精确取值范围作为空间权重矩阵 $ \mathbf{W} $ 的函数，表明其可能超出 $[-1, 1]$。
• 定义线性变换 $ (n-1)I + 1 $ 以居中分布并实现不定性，从而允许取正值和负值。
• 基于变换后矩阵 $ \mathbf{Q} = (n-1)\tilde{\mathbf{W}} + \mathbf{I}_{n-1} $ 的极端特征值构造归一化常数 $ C $，其中 $ \tilde{\mathbf{W}} $ 由 $ \mathbf{W} $ 衍生而来。
• 定义新度量 $ I_M = \frac{(n-1)I + 1}{C} $，其中 $ C $ 选择为 $ |(n-1)\lambda_{(1)} + 1| $ 或 $ (n-1)\lambda_{(n-1)} + 1 $ 的最大值，具体取决于 $ (n-1)I + 1 $ 的符号。
• 证明 $ I_M \in [-1, 1] $，且当 $ I = \lambda_{(1)} $ 或 $ I = \lambda_{(n-1)} $（即 $ \tilde{\mathbf{W}} $ 的最小和最大特征值）时，边界值可被达到。
• 证明由于 $ I_M $ 是 $ I $ 的单调变换，因此基于 $ I $ 的置换检验在使用 $ I_M $ 时依然有效。

实验结果

研究问题

• RQ1 对于某些空间权重矩阵，莫兰的 $ I $ 的取值范围是否可能超出 $[-1, 1]$？
• RQ2 为何对于某些权重矩阵，莫兰的 $ I $ 即无论数据如何都无法取正值？
• RQ3 是否可以构建一种空间自相关度量，使其取值范围精确为 $[-1, 1]$，同时保持统计推断的性质？
• RQ4 莫兰的 $ I $ 的单调变换是否能产生一种更具可解释性且有界的新的空间自相关度量？

主要发现

• 莫兰的 $ I $ 的取值范围并非普遍为 $[-1, 1]$；其范围可能因空间权重矩阵的不同而超出该区间，某些情况下边界值会落在 $[-1, 1]$ 之外。
• 对于某些权重矩阵（如所有 $ i \neq j $ 时 $ w_{ij} = 1 $ 的均匀权重矩阵），莫兰的 $ I $ 始终为负，无论数据如何。
• 所提出的度量 $ I_M $ 具有精确的取值范围 $[-1, 1]$，当 $ I $ 等于 $ \tilde{\mathbf{W}} $ 的最小和最大特征值时，分别达到下界和上界。
• 在 $ I_M $ 中，归一化常数 $ C $ 根据 $ (n-1)I + 1 $ 的符号分段定义，确保输出值始终在 $[-1, 1]$ 范围内。
• 数值实验表明，当 $ w_{ij} $ 在 $ (1-a, 1+a) $ 上均匀分布时，对于较小的 $ a $（例如 $ n=100 $ 时 $ a \approx 0.12 $），$ \tilde{\mathbf{W}} $ 为负定矩阵，表明 $ I $ 可能为负。
• 由于 $ I_M $ 是 $ I $ 的单调变换，因此所有基于 $ I $ 的置换检验在使用 $ I_M $ 代替 $ I $ 时依然有效。