精品文档---下载后可任意编辑Spatial statistics tools分析模式工具集中的工具采纳推论式统计，以零假设为起点，假设要素与要素相关的值均表现随机分布。然后计算 P 值说明，这种分布属于随机分布的概率。在应用中，返回 Z 得分和 P 值推断是否可以接受或拒绝零假设，同时在不同的工具中，还表示分布是聚集，或分散Average Nearest Neighbor 最邻近分析根据每个要素预期最近要素的平均距离来计算最邻近指数，当指数大于 1，要素有聚集分布的趋势，对于趋势如何，还要依据 z—value 和 P—value 来推断，小于 1 时，趋向分散分布最近邻指数的表示方法为：平均观测距离与预期平均距离的比率，预期平均距离是假设随机分布中领域间的平均距离这种方法对面积指值非常敏感（期望平均距离计算中需要面积参加运算），假如未指定面积参数，则使用输入要素周围最小外接矩形的面积（不一定合坐标轴垂直）Spatial Autocorrelation (Morans I) 空间自相关分析更具要素位置的属性使用 Global Moran’s I 统计量量测空间自相关性 Moran’s I 是计算所评估属性的均值和方差，然后将每个要素减去均值，得到与均值的偏差，将所有相邻要素的偏差相称，得到叉积。统计量的分子便是这些叉积之和。假如相邻要素的值均大于均值，这叉积为正，假如以要素小于均值而一要素大于均值，则为负假如数据集中的值倾向于在空间上集聚（高值聚集在高值附近，低值聚集在低值附近）则指数为正，假如高值排斥高值，倾向于低值，则指数为负之后，将计算期望指数值，将之与其比较，在给定的数据集中的要素个数和全部熟知的方差下，将计算 Z 得分和 P 值，用来指示次差异是否具有统计学上的显著性Multi-Distance Spatial Cluster Analysis K 函数分析确定要素（后与之有关连的值）是否显示某一距离范围内统计意义显著的聚类或离散基于 Ripley's K 函数的多距离空间聚类分析工具是另外一种分析事件点数据的空间模式的方法。该方法不同于此工具集中其他方法（空间自相关和热点分析）的特征是可汇总一定距离范围内的空间相关性（要素聚类或要素扩散）Ripley's K 函数可表明要素养心的空间聚类或空间扩散在邻域大小发生变化时是如何变化的。假如特定距离的 k 观测值大于 k 预期值，则与该距离下的随机分布相比，该分布的聚集程度更高，反之亦可。假如，k 观测值大于 HIConfEnv，则该距离的空间聚类具有统计学上的显著性，假如 k 观测值小于...
