چگونه شاخص موران خوشه‌بندی فضایی را کمّی می‌کند و مفروضات رگرسیون استاندارد را در داده‌های جغرافیایی باطل می‌سازد

نرم‌افزارهای آماری استاندارد به‌طور پیش‌فرض از رگرسیون حداقل مربعات معمولی (OLS) استفاده می‌کنند؛ الگوریتمی که بر این فرض ریاضی بنا شده که هر ردیف در یک مجموعه داده، یک مشاهده مستقل و مجزا است. وقتی پژوهشگران داده‌های جغرافیایی را وارد این مدل‌ها می‌کنند، شواهد مستقیماً این فرض را نقض می‌کند. بر اساس قانون اول جغرافیای والدو توبلر (Waldo Tobler) در سال ۱۹۷۰، «همه‌چیز به همه‌چیز مرتبط است، اما پدیده‌های نزدیک بیشتر از پدیده‌های دور به هم ارتباط دارند.» این خوشه‌بندی ذاتی که به عنوان خودهمبستگی فضایی شناخته می‌شود، به این معناست که نقاط داده مجاور اطلاعات مشترکی دارند و استقلال لازم برای فواصل اطمینان استاندارد را از بین می‌برند.[4][5]

اثبات ریاضی این خوشه‌بندی، شاخص موران (Moran's I) است؛ آماره‌ای که توسط پاتریک آلفرد پیرس موران (Patrick Alfred Pierce Moran) در سال ۱۹۵۰ توسعه یافت. این شاخص، همبستگی بین مقدار یک واحد خاص و میانگین وزن‌دار فضایی همسایگان آن را کمّی می‌کند. با محاسبه این رابطه در کل یک مجموعه داده، شاخص موران یک ضریب واحد ارائه می‌دهد که خلاصه می‌کند آیا مقادیر بالا و پایین به‌طور تصادفی توزیع شده‌اند یا به‌طور سیستماتیک گروه‌بندی شده‌اند.[5]

مقیاس شاخص موران بسته به ساختار ماتریس وزن‌های فضایی، از ۱- تا ۱+ متغیر است. ضریب ۱+ نشان‌دهنده خوشه‌بندی کامل است، جایی که مقادیر یکسان در مجاورت یکدیگر قرار دارند. مقدار ۱- نشان‌دهنده پراکندگی کامل است که شبیه به الگوی صفحه شطرنج است. زمانی که سطح فضایی کاملاً تصادفی باشد، مقدار مورد انتظار دقیقاً صفر نیست، بلکه (n-1)/1- است که در آن n نشان‌دهنده اندازه نمونه است.[2][5]

پیامد نادیده گرفتن شاخص موران مثبت، بسیار جدی است. متریک‌گیت (MetricGate) در راهنمای آمار فضایی خود در آوریل ۲۰۲۶ خاطرنشان می‌کند: «اگر یک آزمون تی (t-test) یا رگرسیون معمولی را روی داده‌های خوشه‌بندی‌شده فضایی اعمال کنید، خطاهای استاندارد شما اشتباه خواهند بود، مقادیر پی (p-values) دروغ می‌گویند و نتیجه‌گیری‌های شما غیرقابل‌اعتماد خواهند شد.» از آنجا که مدل هر نقطه مجاور را به‌عنوان شواهد جدید و مستقل در نظر می‌گیرد، اندازه نمونه مؤثر را به‌طور مصنوعی متورم می‌کند.[2]

شبیه‌سازی انجام‌شده توسط تایدی اکولوژی (Tidy Ecology) در ماه مه ۲۰۲۶، گستردگی این شکست ریاضی را نشان داد. پژوهشگران یک متغیر پیش‌بین بدون هیچ اثر واقعی را روی یک متغیر پاسخ با ساختار فضایی در ۱۵۰ قطعه زمین شبیه‌سازی‌شده آزمایش کردند. رگرسیون حداقل مربعات معمولی در ۳۴ درصد مواقع، این اثر وجودنداشته را از نظر آماری معنادار اعلام کرد.[1]

این نرخ مثبت کاذب ۳۴ درصدی، تقریباً هفت برابر آستانه اسمی ۵ درصدی است که مدل رگرسیون ادعا می‌کند. خود برآورد نقطه‌ای OLS بدون سوگیری باقی ماند و شیب واقعی را در نمونه‌های مکرر میانگین‌گیری کرد، اما فاصله اطمینان فروپاشید. تحلیل تایدی اکولوژی توضیح می‌دهد: «تحت خودهمبستگی فضایی، برآورد نقطه‌ای OLS به‌طور میانگین مشکلی ندارد؛ اما اطمینان متصل به آن نامعتبر است.»[1]

خطاهای استاندارد به‌طور مصنوعی کاهش می‌یابند زیرا الگوریتم تصور می‌کند ۱۵۰ نقطه داده مستقل در اختیار دارد. در واقعیت، خوشه‌های قطعات مجاور در حال حمل اطلاعات محیطی زیربنایی یکسانی هستند، به این معنی که اندازه نمونه مؤثر واقعی بسیار کوچک‌تر است. وقتی مدل واریانس را محاسبه می‌کند، آن را بر تعداد نمونه متورم‌شده تقسیم کرده و یک فاصله اطمینان به‌شدت باریک و خطرناک تولید می‌کند.[1]

برای تشخیص این نقص، تحلیلگران ابزار خودهمبستگی فضایی را روی باقیمانده‌های رگرسیون اجرا می‌کنند. اگر خطاهای یک مدل OLS خوشه‌بندی را نشان دهند، مدل در به تصویر کشیدن فرآیند فضایی شکست خورده است. همان‌طور که مستندات ArcGIS شرکت ازری (Esri) بیان می‌کند: «خودهمبستگی فضایی از نظر آماری معنادار در باقیمانده‌های رگرسیون، نشان‌دهنده تصریح نادرست مدل است... زمانی که یک مدل به‌درستی تصریح نشده باشد، نتایج نامعتبرند.»[4]

محاسبه شاخص موران نیازمند آن است که پژوهشگران یک ماتریس وزن‌های فضایی تعریف کنند که فرضیه مربوط به معنای «نزدیک بودن» را به‌صورت ریاضی رمزگذاری می‌کند. تحلیلگران معمولاً از مرزهای پیوسته استفاده می‌کنند—مانند پیوستگی رخ (Rook) یا وزیر (Queen) که حرکات شطرنج را شبیه‌سازی می‌کنند—یا از یک تابع زوال فاصله بهره می‌برند که در آن با افزایش فاصله، تأثیر یک همسایه به‌صورت نمایی کاهش می‌یابد.[5]

زمانی که شاخص موران خوشه‌بندی فضایی را در باقیمانده‌ها آشکار می‌کند، پژوهشگران باید OLS استاندارد را کنار گذاشته و به سراغ مدل‌های رگرسیون فضایی بروند. تکنیک‌هایی مانند حداقل مربعات تعمیم‌یافته (GLS) یا مدل‌های وقفه فضایی، با گنجاندن مستقیم ماتریس وزن‌های فضایی در جمله خطا، وابستگی جغرافیایی را به‌طور صریح در نظر می‌گیرند.[1][4]

در شبیه‌سازی تایدی اکولوژی، تغییر به یک مدل GLS با ساختار همبستگی نمایی، نرخ مثبت کاذب را به سطح اسمی ۵ درصد بازگرداند. با پذیرش ساختار فضایی، خطای استاندارد عرض از مبدأ تقریباً دو برابر شد و فاصله اطمینان را به اندازه‌ای گسترش داد که پارامترهای واقعی داده‌ها را پوشش دهد.[1]

حتی با وجود اصلاحات فضایی، کالیبره کردن آستانه دقیق فاصله همچنان یک چالش ریاضی است. در مقاله‌ای در مارس ۲۰۲۶، الکساندر لنر (Alexander Lehner)، پژوهشگر بانک جهانی، برآوردگر خطای استاندارد سازگار با ناهمسانی واریانس و خودهمبستگی (HAC) فضایی را ارزیابی کرد. لنر مستند کرد که «پهنای باندهای بسیار باریک و بسیار پهن، هر دو منجر به دست‌کم گرفتن خطاهای استاندارد می‌شوند»، که این امر فرض محافظه‌کارانه‌تر بودن همیشگی پهنای باندهای وسیع‌تر را نقض می‌کند.[3]

لنر یک انتخاب‌گر پهنای باند مبتنی بر داده را بر اساس کوواریوگرام تجربی باقیمانده‌های رگرسیون پیشنهاد کرد. از طریق آزمایش‌های گسترده مونت کارلو (Monte Carlo) که با ساختارهای همبستگی فضایی در سراسر ایالات متحده به هم پیوسته کالیبره شده بودند، این روش با موفقیت نرخ مثبت کاذب را در پیکربندی‌های مختلف نمونه، نزدیک به سطح ۵ درصد کنترل کرد.[3]

خودهمبستگی فضایی صرفاً یک مزاحمت آماری نیست که باید اصلاح شود؛ بلکه سیگنالی مستقیم از نحوه گسترش فرآیندهای فیزیکی، اقتصادی و اپیدمیولوژیک در پهنه جغرافیا است. برخورد با داده‌های جغرافیایی به‌گونه‌ای که گویی از یک گلدان تصادفی استخراج شده‌اند، کشف‌های کاذب را تضمین می‌کند و همین امر، شاخص موران را به یک دروازه‌بان الزامی برای استنتاج فضایی تبدیل می‌سازد.[6]