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)
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。
与ArcGIS自定义空间权重矩阵一样，R语言的空间权重矩阵如果纯粹从零开始自定义生成，是非常麻烦的事情，所以我们一般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）——
言归正传，下面我们来自定义一个空间权重矩阵，还是用中国，但是我按照中国七大区域划分方法：
下面我们来用不同空间权重矩阵，来计算一下中国2009年各省gdp的莫兰指数，绘图如下：
首先用默认的共点共边，来计算一下：
莫兰指数为 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。
然后下面用自定义七大区域的空间权重矩阵来进行计算：
P值为0.22，无法拒绝零假设——
那么结果表示，如果中国按照区域来进行划分，各区域内的GDP（起码2009年）体量 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。
那么我简单修改一下我的空间权重矩阵，进行一下优化组合，比如从华东把安徽移掉，把广东、山东加入到华东区域， 人为的造就一个超级富有的区域：
再次进行莫兰指数的计算：
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。
莫兰指数为0.552，表示高度的空间自相关。
这种划分，表示了如果将中国区域划分为沿海发达经济区、中部和西北欠发达区域的话，GDP的表现出现了 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。
最后总结：
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。
2、R语言对空间权重矩阵的自定义，可以通过修改临近对象集合来实现。R语言是明码标识，易读易写。
下一篇，我们将介绍其他几种空间关系定义方法在R语言里面怎么定义。
（待续未完）。
与ArcGIS自定义空间权重矩阵一样，R语言的空间权重矩阵如果纯粹从零开始自定义生成，是非常麻烦的事情，所以我们一般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）——
言归正传，下面我们来自定义一个空间权重矩阵，还是用中国，但是我按照中国七大区域划分方法：
代码如下：
#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, style="W", 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)
下面我们来用不同空间权重矩阵，来计算一下中国2009年各省gdp的莫兰指数，绘图如下：
mycolors <- colorRampPalette(c("darkgreen", "yellow", "orangered"))(32)
spplot(cnData, zcol="GDP_2009", col.regions=mycolors, main="中国2009年各省GDP")首先用默认的共点共边，来计算一下：
莫兰指数为 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。
然后下面用自定义七大区域的空间权重矩阵来进行计算：
P值为0.22，无法拒绝零假设——
那么结果表示，如果中国按照区域来进行划分，各区域内的GDP（起码2009年）体量 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。
那么我简单修改一下我的空间权重矩阵，进行一下优化组合，比如从华东把安徽移掉，把广东、山东加入到华东区域， 人为的造就一个超级富有的区域：
#############################################
# 自定义七大区域划分：制造东部沿海发达区域 #
#############################################
#东北
db <- c("吉林","辽宁","黑龙江")
#华北
hb <-c("内蒙古","北京","天津","河北","山西")
#华中
hz <- c("河南","湖北","湖南","江西","安徽")
#华东（人为制造华东为东部沿海发达区域）
hd <- c("江苏","上海","福建","浙江","山东","广东")
#华南
hn <- c("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")
再次进行莫兰指数的计算：
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。
莫兰指数为0.552，表示高度的空间自相关。
这种划分，表示了如果将中国区域划分为沿海发达经济区、中部和西北欠发达区域的话，GDP的表现出现了 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。
最后总结：
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。
2、R语言对空间权重矩阵的自定义，可以通过修改临近对象集合来实现。R语言是明码标识，易读易写。
下一篇，我们将介绍其他几种空间关系定义方法在R语言里面怎么定义。
（待续未完）。