线性回归与空间自相关

我想使用通过遥感获得的一些变量来预测某个地区的树高。像近似生物量，等等。我想首先使用线性回归（我知道这不是最好的主意，但这对我的项目来说是必不可少的步骤）。我想知道空间自相关对它的影响有多严重，如果可能的话，最简单的纠正方法是什么。顺便说一下，我正在R中做所有事情。

Moran's I是一个诊断统计量，可用于检测回归残差中的空间自相关，假设您具有权重矩阵，而条目表示观测值（残差）和之间的距离。您可以将其视为相关性的空间加权度量。可以通过分析或使用非参数重采样方法（例如折刀）来计算统计的重要性。做类似事情的另一种方法是拉格朗日乘数检验。w i j X i X $\mathbf{w}$$w_{ij}$$X_i$$X_j$

如果在残差中检测到统计学上显着的自相关，则必须在回归模型中包括物理上近端的观察值，这与按时间序列进行的操作类似。

幸运的是，对于R用户，这里有一个Analysis of Spatial Data CRAN任务视图；一个推荐包是spdep，它具有必需的功能（和说明性的小插曲）。