### Python 实现 SDM 模型的空间权重矩阵设定 在 Python 中实现 Spatial Durbin Model (SDM)，通常依赖于 `PySAL` 库中的模块来处理空间数据和构建空间权重矩阵。以下是关于如何设置不同的空间权重矩阵并应用到 SDM 模型的具体方法。 #### 安装 PySAL 为了运行以下代码，需先安装必要的库： ```bash pip install libpysal esda pysal spreg ``` #### 构建空间权重矩阵 空间权重矩阵可以通过多种方式定义，常见的有基于距离的方法（K 近邻、固定半径）、基于地理相邻关系（Queen 或 Rook），以及自定义矩阵。下面展示了几种常用的方式： 1. **基于 K 近邻的距离权重** 使用 `libpysal.weights.KNN` 创建 k 近邻权重矩阵。 ```python import libpysal as ps w_knn = ps.weights.KNN.from_shapefile("path_to_shp_file.shp", k=4) w_knn.transform = 'r' # 行标准化 ``` 2. **基于固定距离的权重** 利用 `ps.weights.DistanceBand` 来创建固定距离内的邻居权重矩阵。 ```python w_dist = ps.weights.DistanceBand.from_shapefile("path_to_shp_file.shp", threshold=1000, binary=True) w_dist.transform = 'r' ``` 3. **基于 Queen 邻接关系** 基于多边形共享边界的关系建立权重矩阵。 ```python w_queen = ps.weights.Queen.from_shapefile("path_to_shp_file.shp") w_queen.transform = 'r' ``` 上述每一种方法都返回一个空间权重对象 `w_*`，该对象可以传递给后续的回归分析函数[^1]。 #### 执行 SDM 回归 一旦有了空间权重矩阵，就可以通过 `spreg.ML_SDM` 函数执行最大似然估计法拟合 SDM 模型。假设我们有一个因变量 `y` 和一组解释变量 `X` 存储在一个 NumPy 数组中，则如下操作可完成模型训练： ```python import numpy as np from spreg import ML_SDM # 加载数据 y = np.array([...])[:, None] # 转换为列向量 X = np.array([[...], [...]]) # 解释变量数组 # 初始化 SDM 模型 model_sdm = ML_SDM(y=y, x=X, w=w_knn, name_y='Dependent', name_x=['IndepVar1', 'IndepVar2']) # 查看结果摘要 print(model_sdm.summary) ``` 这里的关键参数包括： - `y`: 因变量； - `x`: 自变量集合； - `w`: 已经计算好的空间权重矩阵； - `name_y`, `name_x`: 可选名称标签用于输出报告。 此过程会自动考虑直接效应与间接效应，并提供完整的统计检验结果[^2]。 --- ###