重新思考空间线性混合模型中的空间混淆

在过去二十年中，大量研究致力于一种被称为空间混淆的现象。空间混淆被认为发生在空间回归模型中协变量与随机效应之间存在多重共线性的时候。当推断目标是估计回归系数时，这种多重共线性被认为极具问题，并且已经提出了各种方法来试图缓解它。最近，人们意识到许多这些方法是有缺陷的，然而该领域仍在扩展。在本文中，我们提供了一种综合空间混淆领域研究的全新视角。我们提出，目前至少有两种不同的现象被混淆地归为空间混淆这一术语。我们将其称为“分析模型”型和“数据生成”型空间混淆。我们表明，这两个问题可能导致关于空间混淆是否存在以及缓解它的方法是否会改善推断的矛盾结论。我们的结果还说明，在大多数情况下，传统的空间线性混合模型确实有助于改善对回归系数的推断。基于所获得的见解，我们为空间混淆的研究提供了一条前进道路。