pyGWRx 诊断与推断指南

1. 全局诊断

报告样本量、变量数、RSS、\(R^2\)/调整 \(R^2\)、AIC/AICc/BIC、ENP、带宽与核。非 Gaussian 模型报告离差、Pearson 统计量和对数似然。

2. 局部推断

局部系数图必须与标准误/t 值或 bootstrap 结果配套。逐位置检验数量巨大，默认使用 GWR 调整 alpha、Bonferroni、BH 或 BY 中至少一种，并说明选择。

3. 局部共线性

检查局部相关、VIF、条件数和 VDP。条件数超过某阈值只是警报，不是自动证明模型无效。可比较 LCRGWR、GWLasso 或变量重构。

4. 影响与异常

检查标准化残差、leverage/influence、Cook’s D 和 RGWR 稳健权重。异常点可能是错误，也可能是真实局部机制，不能机械删除。

5. 残差空间相关

若残差仍显著空间聚集，局部系数可能在替代遗漏空间误差。应考虑空间误差模型、缺失变量、非线性或机制分区。

6. 验证

随机划分会让相邻样本泄漏。建议空间分块或缓冲留出；时空模型还需按时间滚动或 causal 划分。报告样本内拟合与严格留出预测的差异。

7. 原创模型特殊说明

• LGGWR：解释 \(A^\top A\)、潜在邻域和 LOO 曲线，不直接解释旋转不唯一的 \(A\) 元素。
• GRGWR：AICc/ENP 条件于最终标签；必须报告机制数、边界数、连通性、目标历史和参数敏感性。