测量要素间距离的空间自相关，通过 z 值反映空间聚类的程度，具有统计显著性的峰值 z 得分表示促进空间过程聚类最明显的距离。峰值距离通常为具有“距离范围”或“距离半径”参数的功能使用，在做类似热点分析或者密度分析的时候，选择一个合适的距离，非常重要的事情。此时，通过增量空间自相关，分析得到一个合适的距离。
例如，有一份北京市的微博登录数据，想要研究登录点空间分布的热点及聚集情况，并以每个位置的登录人数作为评估字段，从空间和人数两方面进行聚类研究，可通过热点分析或核密度分析，得到相应的结果，在此之前，先通过“增量空间自相关”分析得到合适的距离值。
操作说明
在“空间分析”选项卡的“空间统计分析”组中，单击“分析模式”中的“增量空间自相关”，即可弹出“增量空间自相关”对话框。
主要参数
- 源数据 ：设置待分析的矢量数据集，支持点、线、面三种类型的数据集。
- 评估字段 ：设置分析要素参与分析的属性字段值，该字段值应为多种值，若所有对象的属性值都为1，则无法求解。仅支持数值型字段。
- 开始距离 ：指增量空间自相关开始分析的起始距离，可以根据数据的聚集情况来确定。如果未给定开始距离，则默认值为最小距离，在该距离处，数据集中的每个要素至少具有一个相邻要素。如果您的数据集中存在位置异常值，那么此距离可能不是最合适的开始距离。
- 距离增量 ：增量空间自相关每次分析的间隔距离，即第二次分析会用开始距离加上距离增量进行分析。如果未给定增量距离，则使用平均最近邻距离或 (Md - B) / C（其中 Md 为最大阈值距离，B 为开始距离，C为距离段数量）二者当中的较小者。该算法可确保始终根据指定的距离段数量来执行计算，确保最大距离段不会过大以致一些要素以所有其它要素或几乎所有其它要素作为其相邻要素。
- 递增距离段数 ：增量空间自相关指定分析数据集的次数，数值范围为：2 ~ 30。
- 距离计算方法 ：距离计算的方法采用欧氏距离和曼哈顿距离。有关欧式距离和曼哈顿距离的详细描述，请参看空间统计分析基本词汇。
- 空间权重矩阵标准化 ：当要素的分布由于采样设计或施加的聚合方案而可能偏离时，建议使用空间权重矩阵标准化。选择空间权重矩阵标准化后，每个权重都会除以行的和（所有相邻要素的权重和）。空间权重矩阵标准化的权重通常与固定距离相邻要素结合使用，并且几乎总是用于基于面邻接的相邻要素。这样可减少因为要素具有不同数量的相邻要素而产生的偏离。空间权重矩阵标准化将换算所有权重，使它们在 0 和 1 之间，从而创建相对（而不是绝对）权重方案。每当要处理表示行政边界的面要素时，您都可能会希望选择“空间权重矩阵标准化”选项。
结果输出
设置好以上参数后，单击对话框中的“确定”按钮，即可执行“增量空间自相关”分析，分析结果会在输出窗口中展示，结果如下图所示：
增量空间自相关返回的结果有六个值：距离增量、莫兰指数、预期指数、方差、z 得分、 p 值。z 得分反映空间聚类的程度，具有统计显著性的峰值 z 得分表示促进空间过程聚类最明显的距离。Z 得分的峰值距离通常为具有“距离范围”或“距离半径”参数的所使用的合适值。如上图结果所示，距离增量为500时，Z值最大，说明500适合作为距离半径来进行微博登录数据的热点分析。
