R语言GWmodel包实战：5步搞定地理加权回归建模

空间数据分析中，地理加权回归（Geographically Weighted Regression, GWR）是一种强大的工具，能够捕捉空间异质性。本文将带你用R语言的GWmodel包，从零开始完成一个完整的GWR分析流程。

1. 环境准备与数据导入

在开始GWR分析前，确保已安装必要的R包。GWmodel是核心分析包，sf用于空间数据处理，spdep辅助空间权重计算：

r复制install.packages(c("GWmodel", "sf", "spdep"))
library(GWmodel)
library(sf)
library(spdep)

读取空间数据是第一步。假设我们有一个名为"city_data.shp"的shapefile文件：

r复制city_data <- st_read("city_data.shp") %>% 
  as("Spatial")  # 转换为Spatial对象
plot(city_data)  # 可视化检查数据

常见问题排查：

• 文件路径错误：使用getwd()确认工作目录
• 缺失投影信息：proj4string(city_data)检查坐标系
• 属性字段缺失：names(city_data)查看变量名

提示：空间数据建议使用WGS84(epsg:4326)或UTM坐标系，避免后续分析出现尺度问题。

2. 探索性空间数据分析

正式建模前，先进行探索性分析：

空间自相关检验：

r复制moran.test(city_data$price, nb2listw(knn2nb(knearneigh(coordinates(city_data)))))

变量关系可视化：

r复制spplot(city_data, "price")  # 因变量空间分布
pairs(city_data@data[,c("price","income","pop")])  # 变量间散点图

关键检查点：

• 空间自相关(Moran's I)
• 变量多重共线性(VIF)
• 异常值检测(Local Moran's I)

3. 带宽选择与模型校准

带宽是GWR的核心参数，决定空间权重范围：

r复制# 使用AIC方法选择固定带宽
bw_fixed <- bw.gwr(price ~ income + pop, 
                  data = city_data,
                  approach = "AIC",
                  kernel = "gaussian",
                  adaptive = FALSE)
print(bw_fixed)

# 自适应带宽(推荐样本量>1000时使用)
bw_adaptive <- bw.gwr(price ~ income + pop,
                      data = city_data,
                      approach = "CV",
                      adaptive = TRUE)

带宽选择方法对比：

注意：实际分析中建议尝试多种核函数（gaussian/bisquare）和带宽类型，选择表现最优的组合。

4. 模型拟合与诊断

使用选定参数运行GWR：

r复制gwr_model <- gwr.basic(price ~ income + pop,
                      data = city_data,
                      bw = bw_fixed,
                      kernel = "gaussian",
                      adaptive = FALSE)

# 模型诊断
summary(gwr_model$SDF$Local_R2)  # 局部R2分布
hist(gwr_model$SDF$income_coef)  # 系数分布

关键输出解读：

• gwr_model$SDF包含所有局部估计结果
• Local_R2反映模型在各位置的拟合优度
• *_coef为各变量的空间变系数

空间异质性可视化：

r复制spplot(gwr_model$SDF, "income_coef", 
       col.regions = heat.colors(20),
       main = "Income系数空间分布")

5. 结果导出与GIS集成

将结果导出为GIS可读格式：

r复制# 导出完整结果到shapefile
gwr.write.shp(gwr_model, fn = "gwr_results")

# 提取关键指标到数据框
results_df <- data.frame(
  coordinates(city_data),
  city_data@data,
  gwr_model$SDF@data
)

# 保存为CSV备用
write.csv(results_df, "gwr_results.csv")

GIS中进一步分析建议：

1. 制作系数空间分布专题图
2. 聚类分析识别空间模式
3. 与其他空间数据叠加分析

进阶技巧与问题排查

处理大规模数据：

r复制# 使用并行计算加速
library(parallel)
cl <- makeCluster(4)
bw_par <- bw.gwr(price ~ income + pop,
                data = city_data,
                cluster = cl)
stopCluster(cl)

常见报错解决方案：

模型比较：

r复制# 与传统OLS比较
ols <- lm(price ~ income + pop, data = city_data)
AIC(gwr_model, ols)

实际项目中，GWR分析往往需要多次迭代调整。建议从简单模型开始，逐步加入空间要素，同时记录每个版本的结果和参数，便于回溯比较。