做空间分析这些年，我最深的体会是：模型跑不出来固然让人着急，但模型跑出来之后不知道该怎么解释，才真正让人头疼。今天要聊的多尺度地理加权回归（MGWR），就是那种“跑起来容易、解释起来有意思”的方法。普通的GWR允许回归系数在地理空间上变化，而MGWR更进一步——它允许每个解释变量拥有属于自己的带宽，也就是独立的作用尺度。这篇文章会把MGWR从概念、原理、工具选型到Python实战完整过一遍，适合正在做空间统计、准备用MGWR写论文或做项目的人，也适合刚开始接触空间回归、想直接上手跑模型的初学者。
1. MGWR是什么：从GWR到MGWR，多尺度到底解决了什么问题
1.1 普通GWR的局限性
地理加权回归（Geographically Weighted Regression，GWR）的核心思想，是把全局回归模型放松成“局部回归”：在每个样本点上，用周围邻域内的数据拟合一组系数，从而反映出空间异质性。比如研究房价时，同一个因素在不同城区的作用方向可能是相反的，系数随地理位置变化比一个全局系数更有信息量。
不过GWR有一个先天弱点：所有解释变量共享同一个带宽。也就是说，模型默认每个变量都在同一个空间尺度上起作用。这在实际中很难成立。举一个常见的例子，研究一个城市的住宅价格：地铁距离的影响通常只有几公里，甚至几百米范围内变化剧烈；但教育资源、产业集聚这类变量的影响半径可能是整个片区，甚至覆盖全城。如果GWR把带宽统一定为1公里，那么产业集聚这种大尺度因素会被拆得支离破碎；如果把带宽调成10公里，地铁相关的局部变化又被过度平滑掉了。
这就是GWR最容易被质疑的地方：它的空间加权方式不是“因地制宜”的，而是一刀切。
1.2 MGWR的核心突破
多尺度地理加权回归（Multi-scale Geographically Weighted Regression，MGWR）改变的就是这个设定。它允许每个解释变量单独搜索自己的带宽，一部分变量在大尺度上平滑变化，另一部分变量在小尺度上剧烈波动，最终放在同一个模型里联合估计。
打个比方：GWR像是给所有变量配了同一副度数的眼镜，度数取的是一个折中值；MGWR则是每个变量去验一次光，近视的配近视镜，远视的配远视镜。模型不是简单地把每个变量分开跑一遍GWR再合并结果，而是在统一的目标函数下做迭代估计，带宽与系数互相影响、循环校正，直到所有变量的局部拟合达到整体最优。
这个思路比“假设所有变量同尺度”合理得多。在真实的地理过程里，不同因素的传播机制、衰减速度、作用范围天然不同。气温的影响可能是几百公里的气候带尺度，坡度的作用可能就是几十米的小尺度，把它们放在同一个带宽下本身就是逆势而为。
1.3 哪些场景下值得上MGWR
从实际应用来看，以下几个领域是最典型的MGWR使用场景：
- 房价与城市分析：地铁、学校、公园、商圈各因素的作用范围差异较大，MGWR能区分“局部热点”和“全局趋势”。
- 流行病学与环境暴露：污染源附近的局部效应、区域社会经济背景的宏观效应同时存在，尺度天然不同。
- 生态学与土地利用：气候变量常常是大尺度控制因素，人类活动干扰则是局部驱动因素。
- 经济地理与区域发展：基础设施溢出效应、劳动力市场流动范围往往在不同尺度上运作。
如果你的研究问题里，多个解释变量的作用尺度确实存在明显差异，那MGWR就值得一试。如果所有变量都预期在相近尺度上起作用，那GWR甚至普通线性回归可能已经够用，没必要为了用方法而用方法。
2. 环境准备：用Python跑MGWR的工具选型与安装
2.1 为什么选mgwr库而不是其他方案
Python生态里能跑地理加权回归的库主要有两个：spgwr和mgwr。spgwr是早期移植R语言的实现，适合做标准GWR，但它对MGWR的支持很有限，带宽优化速度也比较慢。mgwr是PySAL家族专门为多尺度地理加权回归设计的库，内置了GWR和MGWR两类模型，支持固定带宽、自适应带宽、多种核函数，还提供系数显著性检验接口。
我个人的经验是：如果你只是想快速做个GWR看看系数分布，spgwr够用；但如果要正式跑MGWR，还是直接用mgwr更省心。它的API设计更贴近论文里常用的分析流程：带宽搜索、模型拟合、结果汇总、显著性筛选一体到位。
2.2 安装与基础环境配置
安装方式很简单，直接用pip就行：
pip install mgwr它会自动带上pysal、spglm、libpysal等依赖。不过这几个库对版本比较敏感，我实测下来，mgwr==1.0.1搭配libpysal==4.6.2是比较稳的组合。如果担心依赖冲突，建议用虚拟环境：
conda create -n mgwr_env python=3.9 conda activate mgwr_env pip install mgwr==1.0.1 pip install geopandas matplotlib jupyterPython版本建议使用3.8到3.10之间的版本。太老的3.6以及过时的2.x版本，依赖库的兼容性会很麻烦。如果你还需要处理GeoJSON、Shapefile这类地理数据，geopandas是标配；做可视化时再用matplotlib就足够了。
2.3 地理数据在进入模型前要处理什么
MGWR的计算依赖样本点之间的欧氏距离，所以数据必须使用投影后的平面坐标，不能直接用经纬度。经纬度单位是度，在不同纬度上对应的实际距离完全不同，计算出来的“距离”毫无可比性。常见的处理方式是用geopandas做投影转换，根据研究区域选择合适的UTM投影带：
import geopandas as gpd gdf = gpd.read_file("data/GData_utm.shp") # 如果原始数据是经纬度，先转成投影坐标 if gdf.crs and gdf.crs.is_geographic: gdf = gdf.to_crs(epsg=32650) # 比如UTM Zone 50N坐标准备好之后，从几何对象里提取X和Y：
coords = [(pt.x, pt.y) for pt in gdf.geometry]这里有一个容易踩的坑：数据里面如果有重复点或者几乎重合的点，会影响邻域计算，建议提前检查空间唯一性；另外，数据范围如果跨多个UTM带，直接投影转换仍然会有距离误差，最好是做适合区域范围的自定义投影，而不是随便选一个UTM带了事。
3. 核心原理与关键参数：带宽、核函数与模型选择
3.1 固定带宽与自适应带宽：怎么选
MGWR里每个变量都有自己的带宽，但带宽本身有两种形式：固定带宽和自适应带宽。
固定带宽是指用实际地理距离作为权重衰减的半径，比如“800米范围内的点参与局部回归”。它的好处是解释直观，适合采样点分布比较均匀的数据。自适应带宽则不是用固定距离，而是取某个样本点的第k个近邻，保证每个局部回归使用的样本数量一致。如果数据点的分布疏密差异很大，比如城市中心密集、郊区稀疏，自适应带宽往往比固定带宽稳得多。
在实际项目中，我大部分时候会用自适应带宽。原因很简单：城区和郊区的样本密度差几倍很正常，固定带宽要么在城市中心局部回归样本太多，要么在郊区样本少到模型不稳定。mgwr库中通过kernel参数控制核函数，常用的是bisquare和gaussian。我习惯用bisquare，它在带宽范围内权重衰减得比较干净，超过带宽范围的样本直接不参与计算，比gaussian核更稳健。两种核的结果通常差异不大，但如果数据里有极端离群点，bisquare的抗干扰能力会更好。
3.2 AICc与黄金分割搜索：带宽是如何被“找”出来的
带宽不能拍脑袋定，需要根据数据来选。MGWR的带宽选择核心指标是AICc（校正后的赤池信息量准则），它同时在拟合优度和模型复杂度之间做权衡。AICc越小，说明模型在解释数据的同时没有引入过多参数负担。
mgwr库在搜索带宽时默认使用黄金分割搜索。这个方法不是把所有可能的带宽值都跑一遍，而是在一个区间内按黄金分割比例不断缩小搜索范围，逐步逼近最优AICc。这样做的好处是高效，想对比全部遍历的话会慢很多。
需要特别强调的是，MGWR的带宽搜索和GWR不太一样。GWR只需要做一次全局带宽搜索；MGWR则需要迭代进行——在固定其他变量带宽的前提下，逐个搜索每个变量的带宽，直到整体收敛。这也意味着MGWR的运行时间天然比GWR长不少，对数据量大的情况尤其明显。
3.3 系数显著性检验与共线性排查
MGWR跑完之后，不能只看系数数值的大小，还要关注显著性。mgwr库提供了filter_t()方法，可以生成一个布尔矩阵，标记出哪些位置的系数在给定置信水平下显著。比如某个变量的系数在市中心显著、在郊区不显著，这个信息对解释空间过程非常重要。
要注意的是，局部回归的输出结果比全局回归更敏感，多重共线性问题会被放大。变量之间的相关性在全局模型里可能还能接受，到了局部模型里某些区域会出现局部共线性爆炸。所以建模前一定要先跑一下普通的OLS回归，用VIF（方差膨胀因子）做筛查。VIF大于10的变量要格外警惕，必要时做去中心化或删除冗余变量。变量量纲差异大时，进入模型前建议统一做标准化，不然会影响带宽搜索的稳定性。
4. 实战案例：全流程拆解
4.1 案例数据说明
为了能完整复现流程，这里用一个经典的案例数据：美国佐治亚州县级人口普查数据。这个数据在mgwr库的文档和示例项目中经常被用到，包含各县级的人口特征——比如贫困率、黑人比例、外国出生人口比例、农村人口占比、本科以上学历比例等。研究的因变量是本科以上学历比例，解释变量选择贫困率、黑人比例、外国出生人口比例、农村人口占比这几个指标。
如果找不到现成示例数据，也可以用你手头的区域数据替换，只要数据结构满足“每个样本带一个坐标点、一个因变量、若干解释变量”即可。
4.2 基线GWR模型：先跑一个对照组
经验上不要把MGWR直接一顿操作，先跑一个标准GWR作为对照组非常必要。一方面GWR的AICc和带宽值可以作为后续对比的基线；另一方面如果GWR跑出来的单一带宽就接近MGWR各带宽的平均水平，那说明变量间的尺度差异可能没那么大。
关键代码：
import geopandas as gpd from mgwr.gwr import GWR, MGWR from mgwr.sel_bw import Sel_BW gdf = gpd.read_file("data/GData_utm.shp") y = gdf["PctBach"].values.reshape(-1, 1) x_cols = ["PctPov", "PctBlack", "PctFB", "PctRural"] X = gdf[x_cols].values X = (X - X.mean(axis=0)) / X.std(axis=0) coords = [(pt.x, pt.y) for pt in gdf.geometry] sel = Sel_BW(coords, y, X, kernel="bisquare") gwr_bw = sel.search() print("GWR optimal bandwidth:", gwr_bw) gwr_res = GWR(coords, y, X, gwr_bw, kernel="bisquare").fit() print(gwr_res.summary())这里做标准化很有必要。例子里的解释变量量纲都不太一样，如果直接丢进模型，带宽搜索会倾向那些数值范围更大的变量，结果容易失真。
4.3 MGWR建模：核心代码与迭代逻辑
接下来就是跑MGWR。核心逻辑不复杂，把前面初始化好的带宽选择器传给MGWR对象即可：
mgwr_res = MGWR(y, X, coords, sel, kernel="bisquare").fit() print(mgwr_res.summary())运行之后，输出结果里会包含每个变量的带宽、模型AICc、R2等指标。MGWR内部做的是多轮迭代：初始时用GWR的全局带宽作为起点，然后固定其他变量带宽，逐变量搜索最优带宽，更新所有系数，再重新搜索带宽，循环往复直到变化幅度小于阈值。
实际跑模型的时候，有一点值得注意：如果数据量超过几千个点，MGWR的拟合时间明显比GWR长。一个维度合适、样本量五千左右的数据集，在我的机器上通常要跑几十秒到几分钟，这个速度是可以接受的。但如果样本量上万，建议先做数据抽稀，或者考虑减少解释变量个数。
4.4 模型输出如何解读
mgwr_res里面有几个重要属性，我平时用得最多：
bandwidths：每个解释变量的最优带宽。如果核函数是自适应核，带宽数值代表“邻居数”，不是距离，解读时要注意。betas：每个样本点上各变量的拟合系数，形状是“样本数 x 变量数”。filter_t()：返回一个布尔矩阵，标记每个位置、每个变量是否显著。aicc、r2：模型整体拟合指标，用来和GWR做对比。
比如带宽结果可能是贫困率将近400个邻居，外国出生人口比例只有不到80个邻居。这意味着贫困率在大尺度上影响本科学历比例，而外国出生人口比例的作用范围很局部，只在小区域内造成差异。这种带宽结构本身就是发现故事的地方。
5. 结果可视化与空间模式解读
5.1 系数地图：把系数画回地图上
模型跑完，很重要的一个环节是把系数画到地图上。只看表格里的数值很难有空间感觉。我喜欢用matplotlib画散点图，用颜色表达系数大小，再叠加坐标点。
import matplotlib.pyplot as plt betas = mgwr_res.betas mask = mgwr_res.filter_t() fig, axes = plt.subplots(1, len(x_cols), figsize=(15, 4)) for i, col in enumerate(x_cols): ax = axes[i] handle = ax.scatter( gdf.geometry.x, gdf.geometry.y, c=betas[:, i], cmap="RdYlBu_r", s=20, alpha=0.8 ) # 不显著的样本用灰色空心圈标注 ns_idx = ~mask[:, i] ax.scatter( gdf.geometry.x[ns_idx], gdf.geometry.y[ns_idx], facecolors="none", edgecolors="grey", linewidths=0.5, s=20 ) ax.set_title(f"{col} coef") fig.colorbar(handle, ax=ax, shrink=0.8) plt.tight_layout() plt.show()这张图的价值在于：红色区域说明该变量在此处是正向作用，蓝色区域是负向作用，灰色空心圈表示不显著。你会发现某个变量的系数在区域内部可能发生正负翻转，这是全局线性回归完全给不了的信息。
叠加显著性的这个细节，很多人跑完MGWR会忽略。只看系数大小不看显著性，很容易把一个噪音特征当成重要发现。我现在的习惯是：系数图和显著性图一定要放一起看，要么直接像上面这样叠加空心圈，要么单独画一张显著性二值图。
5.2 带宽条形图：一眼看出尺度差异
带宽大小本身就是重要的结果。可以把带宽画成横向条形图：
import numpy as np bws = mgwr_res.bandwidths plt.figure(figsize=(8, 4)) plt.barh(np.arange(len(x_cols)), bws, color="#8da0cb") plt.yticks(np.arange(len(x_cols)), x_cols) plt.xlabel("带宽（邻居数）") plt.title("MGWR 各变量带宽对比") plt.show()条形图的顺序一眼就能看出尺度差异。如果带宽从小到大排列得很开，说明变量的作用尺度确实分得很开；如果所有带宽都挤在一起，就要警惕MGWR相对GWR可能没有本质改善。
有一点要特别提醒：当带宽很接近样本总数时，这个变量在模型里的表现基本等同于全局变量，意味着它的空间变化是平滑的整体趋势，而不是局部异质的。报告中可以把这种“准全局变量”和“局部变量”分开讨论。
5.3 如何判断模型是否真的多尺度
判断一个数据是否值得用MGWR，不能只看MGWR跑出来的结果好看。我通常看三个指标：
第一，对比AICc。MGWR的AICc比GWR明显更低，说明多尺度设定确实提升了模型质量。如果AICc下降不到2-3个单位，改善可能是噪音。
第二，看带宽差异。各变量带宽之间的差距如果不到1.5倍，多尺度设定带来的增益有限。比如带宽分别为180、190、210，那就是三个变量都在同一个尺度上，用GWR完全可以替代。
第三，看系数的空间模式。MGWR每个变量的系数地图应呈现出不同的空间细节。如果各个变量系数分布形状都差不多，那可能是变量间相关性太高，模型把同一个信号拆给了不同变量。
6. 常见问题与排查技巧实录
6.1 装不上库或版本冲突
mgwr的依赖相对比较老，在新版本numpy或pandas环境下偶尔会遇到二进制兼容问题。我遇到最多的是spglm调用旧接口导致报错。解决的思路是固定版本组合，比如mgwr==1.0.1配libpysal==4.6.2、numpy不要装到最新的2.x版本系列。用虚拟环境隔离项目是更理想的方案，避免影响其他项目。
注意：装完库之后建议马上跑一下
from mgwr.gwr import GWR, MGWR，确认导入没问题再做后续步骤，不要等到数据准备好了才发现环境有问题。
6.2 所有变量的带宽都差不多
如果你的MGWR跑出来每个变量带宽都很接近，先不要急着庆祝模型收敛，这通常不是好事。常见原因有三个：
一是样本量太少。当样本量不足以支撑不同尺度的局部估计时，带宽搜索就找不到差异，模型被迫退回到单一尺度。
二是解释变量之间相关性太强。高共线性会让带宽搜索变得迟钝，每个变量都在抢类似的信号，带宽自然趋同。这时要先做变量筛选或者考虑主成分提取。
三是搜索范围设置得太窄。看一下Sel_BW初始化时是否限制了搜索上下界，如果范围本身不够大，变量就很难找到真正的最优值。
6.3 运行慢到怀疑人生
MGWR比GWR慢是常态，但慢到几分钟跑不完，就要考虑优化了。几个实用手段：
第一，减少变量数量。每多一个解释变量，带宽搜索就多一层迭代，运行时间几乎是成倍增加的。
第二，换固定带宽。如果数据分布均匀，固定带宽的计算压力比自适应核小很多。
第三，降采样。样本量太大的时候，可以先按空间聚类抽稀到几千个点跑一遍，确定模型结构和带宽范围，再回到全量数据上做最终拟合。
第四，限制搜索区间。根据业务经验，给带宽搜索设定一个合理的上下界，不要让它从最小值到样本数满世界找，能大幅缩短搜索时间。
6.4 系数不显著怎么办
MGWR输出的显著性比GWR更严格，因为每个变量在每个位置都有自己的局部检验。指望每个系数在全部位置都显著，那不现实。一个更合理的心态是：只要某个变量在部分区域显著，且这些区域有空间上的连续性，这就是有价值的发现。
如果你的数据跑出来全盘不显著，首先检查解释变量的选择是不是太弱，其次看带宽搜索是否选择的带宽过小、局部样本不足。另外，变量的标准化确实会改变数值稳定性，检查这一步有没有做好。
7. 实操心得与扩展方向
从我自己的使用体验来讲，MGWR的建模流程在逻辑上其实是有一个标准套路的：先做OLS回归检查VIF和变量共线性，再跑GWR拿到基线AICc，最后才上MGWR对比改善幅度。不要一上来就直接跑MGWR，那样出了问题很难定位。
变量标准化是我几乎每次都会做的事。MGWR涉及大量的距离和邻域计算，不同量纲的变量会让带宽搜索的计算失衡。标准化之后结果的可解释性反而更好，系数可以被理解为“解释变量变化一个标准差带来的因变量变化”。
核函数方面，我长期使用的是bisquare，它比gaussian稳定，不容易被远端样本带偏。如果模型结果对核的选择特别敏感，那通常说明数据质量或模型设定有问题，而不是核函数本身的问题。
另外，MGWR后续有很多可以扩展的方向。一个很自然的方向是把时间维度放进去，做时空多尺度地理加权回归，研究变量作用尺度随时间的演化；另一个方向是结合多水平模型，把区域层级的随机效应和局部空间效应放在同一个框架里。这些都是有意思的研究课题。
做空间建模这几年，我的体会是：MGWR最大的价值不是把R2抬高那么一点点，而是逼着你去回答一个真问题——你的数据里面，不同因素到底在什么尺度上运行？这个思考过程本身，可能比模型输出还要宝贵。
