白话空间统计之二十五：空间权重矩阵（四）R语言中的空间权重矩阵(2)：不同空间关系对莫兰指数的影响...

上一篇，讲了R语言中的空间权重矩阵的结构，这一节讲讲R语言里面空间权重矩阵的自定义。先做一个默认的空间关系对象，然后再进行修改。这种方式，用牛爵爷的话来说，叫做“踩在巨人的肩膀上”（当年，牛爵爷说这句话的时候，绝对不是谦虚，而是说：你们就算是巨人，也得老老实实被我踩在脚下）——

#东北

db <- c("吉林","辽宁","黑龙江")

#华北

hb <-c("内蒙古","北京","天津","河北","山东","山西")

#华中

hz <- c("河南","湖北","湖南","江西")

#华东

hd <- c("安徽","江苏","上海","福建","浙江")

#华南

hn <- c("广东","广西","海南")

#西南

xn <- c("贵州","云南","四川","重庆","西藏")

#西北

xb <- c("陕西","青海","甘肃","宁夏","新疆")

#进行自定义临近关系

w_cm_cn <- w_cn

ccn <-list(db,hb,hz,hd,hn,xn,xb)

for(area in ccn){

  for(i in area){

    i_id <-which(cnData$FIRST_NAME == as.character(i))

    temp<-c()

    for (j in area){

      j_id <-which(cnData$FIRST_NAME == as.character(j))

      if(i_id != j_id){

        temp <- c(temp,as.integer(j_id))

      }

    }

    w_cm_cn[[i_id]] <- temp

  }

}

#绘制自定义的临近关系

w_cm_cn_mat <- nb2listw(w_cm_cn, , zero.policy=TRUE)

plot(cnData)

points(map_crd,col='red',pch='*')

plot(w_cm_cn_mat,coords=map_crd, cex=0.1, col="blue", add=T)

mycolors <- colorRampPalette(c("darkgreen", "yellow", "orangered"))(32)

0.2643，表示空间正相关，p值为0.004，拒绝了零假设，z得分为2.65，表现为显著。P值为0.22，无法拒绝零假设——呈现随机均衡的发展情况。即每个区域内，都有很强的的省，也有很弱的省，强弱的分布比较均匀，GDP强省和GDP弱省出现的概率是一样。人为的造就一个超级富有的区域：

#############################################db <- c("吉林","辽宁","黑龙江")hb <-c("内蒙古","北京","天津","河北","山西")hz <- c("河南","湖北","湖南","江西","安徽")hd <- c("江苏","上海","福建","浙江","山东","广东")hn <- c("广西","海南")xn <- c("贵州","云南","四川","重庆","西藏")xb <- c("陕西","青海","甘肃","宁夏","新疆")

绘制结果如下：p值小于0.001，z得分大于4，拒绝零假设且非常显著的出现了聚集。0.552，表示高度的空间自相关。高度的聚集（发达地区和发达地区在空间上出现聚集，欠发达和欠发达地区空间聚集）表现高度的空间自相关性，表示了划分上面的严重不均衡。1、从上面几个例子可以看出，利用不同的空间关系进行计算，得到的结果是完全不一样的，所以在进行空间分析的时候，需要选定好不同的空间关系——没有最好，只有最合适。修改临近对象集合来实现。R语言是明码标识，易读易写。