ArcGIS Pro 因果推断分析实战：从数据准备到模型验证

1次阅读

共计 1809 个字符，预计需要花费 5 分钟才能阅读完成。

地理空间数据因果分析面临几个核心挑战：

空间自相关：传统统计方法假设样本独立，但地理数据往往存在空间依赖性（如邻近区域经济指标相似），直接套用 OLS 回归会导致标准误低估。
混杂变量控制：如研究公园对房价的影响时，需同时控制学区、交通等空间变量，手动匹配难度大。
时空异质性：因果关系可能随地理位置或时间变化（如政策效果在城市中心与郊区不同）。

工具	优势	劣势
ArcGIS Pro	原生空间数据处理能力、可视化便捷	高级模型需依赖 Python 扩展
R	丰富因果包（如`spdep`, `MatchIt`）	空间数据 IO 效率低
Python	灵活整合机器学习框架（如`DoWhy`）	需额外处理坐标系转换

数据要求：确保所有变量在同一投影坐标系下，缺失值不超过 5%。
权重矩阵构建（以反距离权重为例）：

import arcpy
from arcpy.stats import GenerateSpatialWeightsMatrix

# 创建空间权重文件（.swm）GenerateSpatialWeightsMatrix(
    "neighborhoods.shp",  # 输入要素
    "ID",                # 唯一 ID 字段
    "inverse_distance.swm",  # 输出文件
    "INVERSE_DISTANCE",  # 权重类型
    distance_band=2000   # 邻域半径（米）)

根据研究问题选择模型：

空间滞后模型（SLX）：处理解释变量空间溢出效应
双重差分（DID）：评估政策干预效果
倾向得分匹配（PSM）：减少选择偏差

示例：空间杜宾模型（SDM）参数配置

# 在 ArcGIS Pro 工具箱中选择【空间回归分析】→【地理加权回归】# 关键参数：# - 因变量：房价增长率
# - 解释变量：公园距离、收入水平
# - 空间权重：inverse_distance.swm
# - 模型类型：Spatial Durbin Model

使用 热点分析（Hot Spot Analysis）识别显著聚集区
3D 场景 中叠加因果效应值与地形数据
通过 时间滑块 观察效应动态变化

# ArcGIS Pro Python Notebook 示例
import arcpy
import pandas as pd

# 数据预处理
data = arcpy.FeatureClassToNumPyArray("housing_data.shp", 
                                    ["price", "park_dist", "income"])
df = pd.DataFrame(data)
df = df.dropna()

# 空间回归分析
result = arcpy.stats.SpatialRegression(
    input_features="housing_data.shp",
    dependent_variable="price",
    explanatory_variables="park_dist income",
    spatial_weights_file="inverse_distance.swm",
    regression_type="SPATIAL_DURBIN_MODEL",
    output_features="results.shp"
)

# 结果提取
coefficients = arcpy.Describe(result).children[0].table
print(pd.DataFrame(arcpy.da.SearchCursor(coefficients, ["VAR_NAME", "COEF"])))