[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_t%E1%BB%B1%20t%C6%B0%C6%A1ng%20quan%20kh%C3%B4ng%20gian{\"limit\":5}":3,"_public_topic_byId_tự tương quan không gian":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":13,"englishTitle":17,"synonyms":10,"definition":18,"discipline":19,"references":20,"faqs":39,"createUser":49,"publishUser":53,"keywords":57,"keywordCount":68,"enrichTopicLink":69,"status":70,"createTime":71,"updateTime":72,"publishTime":73,"linkEnrichedTime":74,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":75,"relateTopics":76},"tự tương quan không gian","Tự tương quan không gian là gì? Khái niệm và ứng dụng","thước đo mức độ tương quan lẫn nhau giữa các giá trị của một biến số tại các vị trí địa lý khác nhau, phản ánh định luật địa lý thứ nhất của Tobler rằng...","\u003Cp>\u003Cstrong>Tự tương quan không gian\u003C\u002Fstrong> (\u003Cem>Spatial autocorrelation\u003C\u002Fem>) là thước đo mức độ tương quan lẫn nhau giữa các giá trị của một biến số tại các vị trí địa lý khác nhau, phản ánh định luật địa lý thứ nhất của Tobler rằng các đối tượng gần nhau thường có tính chất tương đồng hơn các đối tượng ở xa.\u003C\u002Fp>\n\u003Ch2>Định nghĩa tự tương quan không gian\u003C\u002Fh2>\n\u003Cp>\nTự tương quan không gian (spatial autocorrelation) là một khái niệm trong {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20t%C3%ADch%20kh%C3%B4ng%20gian%22%7D}} và thống kê địa lý, phản ánh mức độ mà các giá trị đo được tại các vị trí địa lý gần nhau có xu hướng tương đồng (hoặc khác biệt) với nhau. Nói cách khác, hiện tượng xảy ra tại một vị trí có thể chịu ảnh hưởng từ hiện tượng xảy ra tại các vị trí lân cận trong không gian. Đây là sự vi phạm của giả định độc lập trong thống kê truyền thống.\n\u003C\u002Fp>\n\u003Cp>\nNguyên lý cốt lõi của tự tương quan không gian được mô tả bởi Định luật Địa lý thứ nhất của Tobler: “Mọi thứ đều có liên hệ với nhau, nhưng những thứ gần nhau thì có liên hệ chặt chẽ hơn những thứ xa nhau”. Hiện tượng này có thể được mô tả là dương (các giá trị tương tự nhau gần nhau), âm (các giá trị đối nghịch nhau gần nhau), hoặc không có tương quan rõ ràng (phân bố ngẫu nhiên).\n\u003C\u002Fp>\n\u003Cp>\nVí dụ, nếu một khu dân cư có mức thu nhập cao và các khu vực lân cận cũng có mức thu nhập tương tự, thì đó là hiện tượng tự tương quan không gian dương. Trường hợp ngược lại – khu có giá trị cao bao quanh bởi giá trị thấp – có thể là tự tương quan không gian âm hoặc dị điểm không gian.\n\u003C\u002Fp>\n\n\u003Ch2>Ý nghĩa trong phân tích không gian\u003C\u002Fh2>\n\u003Cp>\nTự tương quan không gian đóng vai trò quan trọng trong việc xác định các mẫu hình phân bố dữ liệu theo không gian như: tập trung theo cụm (clustering), phân tán đều (dispersion), hay phân bố ngẫu nhiên (randomness). Việc đánh giá mức độ tự tương quan không gian cho phép nhà phân tích hiểu rõ hơn về tính chất không gian nội tại của hiện tượng đang nghiên cứu.\n\u003C\u002Fp>\n\u003Cp>\nTrong các {{topic|%7B%22topic%22%3A%22nghi%C3%AAn%20c%E1%BB%A9u%20th%E1%BB%B1c%20%C4%91%E1%BB%8Ba%22%7D}}, tự tương quan không gian thường là bằng chứng cho thấy có các quá trình không gian tiềm ẩn như lan truyền, ảnh hưởng lân cận, hoặc ảnh hưởng theo vùng. Do đó, nếu không kiểm soát tốt yếu tố này, các {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20t%C3%ADch%20th%E1%BB%91ng%20k%C3%AA%22%7D}} có thể dẫn đến sai lệch trong ước lượng và {{topic|%7B%22topic%22%3A%22ki%E1%BB%83m%20%C4%91%E1%BB%8Bnh%20gi%E1%BA%A3%20thuy%E1%BA%BFt%22%7D}}.\n\u003C\u002Fp>\n\u003Cp>\nMột số lĩnh vực ứng dụng tiêu biểu của phân tích tự tương quan không gian:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Dịch tễ học không gian:\u003C\u002Fstrong> xác định khu vực có mật độ bệnh cao để hỗ trợ kiểm soát dịch.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Quản lý đô thị:\u003C\u002Fstrong> phát hiện vùng có mật độ dân cư, tội phạm hoặc ô nhiễm cao.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Kinh tế học địa lý:\u003C\u002Fstrong> đánh giá cụm công nghiệp, chênh lệch thu nhập vùng.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Sinh thái học cảnh quan:\u003C\u002Fstrong> nghiên cứu mẫu phân bố loài và cấu trúc cảnh quan.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Phân loại tự tương quan không gian\u003C\u002Fh2>\n\u003Cp>\nTự tương quan không gian được chia làm hai loại chính: toàn cục và cục bộ. Phân biệt này dựa vào phạm vi không gian mà phép đo được áp dụng.\n\u003C\u002Fp>\n\u003Cp>\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Tự tương quan không gian toàn cục (global spatial autocorrelation):\u003C\u002Fstrong> đo lường mức độ liên kết không gian cho toàn bộ khu vực nghiên cứu. Chỉ số toàn cục cung cấp cái nhìn tổng quát, ví dụ như phân bố dân số trên toàn quốc có xu hướng cụm lại hay phân tán ngẫu nhiên.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tự tương quan không gian cục bộ (local spatial autocorrelation):\u003C\u002Fstrong> cho phép phát hiện các điểm nóng (hotspots), điểm lạnh (coldspots), và các dị điểm không gian (spatial outliers). Phân tích cục bộ giúp xác định vị trí cụ thể gây ảnh hưởng hoặc có tính dị biệt so với phần còn lại.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nViệc kết hợp cả hai loại trong một nghiên cứu mang lại cái nhìn đa chiều, vừa mô tả tổng thể, vừa khoanh vùng các khu vực cần quan tâm cụ thể. Điều này đặc biệt hữu ích trong phân tích dịch tễ, {{topic|%7B%22topic%22%3A%22qu%E1%BA%A3n%20l%C3%BD%20t%C3%A0i%20nguy%C3%AAn%22%7D}}, và mô hình hóa rủi ro.\n\u003C\u002Fp>\n\n\u003Ch2>Chỉ số đo lường phổ biến\u003C\u002Fh2>\n\u003Cp>\nĐể định lượng mức độ tự tương quan không gian, các nhà nghiên cứu sử dụng nhiều chỉ số thống kê khác nhau. Mỗi chỉ số có đặc điểm riêng về độ nhạy, phạm vi áp dụng và ý nghĩa diễn giải.\n\u003C\u002Fp>\n\u003Cp>\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Moran’s I:\u003C\u002Fstrong> là chỉ số toàn cục phổ biến nhất, đo lường mức độ tương đồng tuyến tính giữa các giá trị tại các vị trí lân cận. Giá trị Moran’s I gần 1 thể hiện tương quan dương mạnh, gần -1 thể hiện tương quan âm mạnh, gần 0 cho thấy phân bố ngẫu nhiên.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Geary’s C:\u003C\u002Fstrong> nhạy cảm hơn với sự khác biệt cục bộ, dao động từ 0 đến 2. Giá trị càng nhỏ thể hiện mức độ tương đồng cao.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Getis-Ord Gi*:\u003C\u002Fstrong> được sử dụng để phát hiện các cụm giá trị cao hoặc thấp đáng kể, rất phù hợp trong phân tích điểm nóng.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nCông thức của chỉ số Moran’s I như sau:\n\u003C\u002Fp>\n\u003Cp>\n\u003Cscript type=\"math\u002Ftex\">I = \\frac{n}{W} \\cdot \\frac{\\sum_{i} \\sum_{j} w_{ij}(x_i - \\bar{x})(x_j - \\bar{x})}{\\sum_{i}(x_i - \\bar{x})^2}\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nTrong đó:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript>: số lượng điểm quan sát\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">x_i, x_j\u003C\u002Fscript>: giá trị tại vị trí \u003Cscript type=\"math\u002Ftex\">i\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">j\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">\\bar{x}\u003C\u002Fscript>: giá trị trung bình\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">w_{ij}\u003C\u002Fscript>: trọng số không gian giữa điểm \u003Cscript type=\"math\u002Ftex\">i\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">j\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">W\u003C\u002Fscript>: tổng của tất cả \u003Cscript type=\"math\u002Ftex\">w_{ij}\u003C\u002Fscript>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nKết quả của các chỉ số này thường được kiểm định bằng phương pháp Monte Carlo hoặc so sánh với phân phối chuẩn để đánh giá ý nghĩa thống kê. Việc giải thích đúng các giá trị và chọn chỉ số phù hợp là {{topic|%7B%22topic%22%3A%22y%E1%BA%BFu%20t%E1%BB%91%20quy%E1%BA%BFt%20%C4%91%E1%BB%8Bnh%22%7D}} trong phân tích không gian.\n\u003C\u002Fp>\n\u003Ch2>Trọng số không gian (Spatial Weights)\u003C\u002Fh2>\n\u003Cp>\nTrong phân tích tự tương quan không gian, ma trận trọng số không gian (\u003Cscript type=\"math\u002Ftex\">W = [w_{ij}]\u003C\u002Fscript>) là thành phần cốt lõi, dùng để mô tả mức độ tương tác hoặc kết nối giữa các điểm dữ liệu dựa trên khoảng cách địa lý hoặc lân cận hình học. Việc thiết lập ma trận trọng số sẽ ảnh hưởng trực tiếp đến kết quả của các chỉ số như Moran's I, Geary’s C hay Getis-Ord Gi*.\n\u003C\u002Fp>\n\u003Cp>\nCó nhiều phương pháp để xác định trọng số không gian:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Trọng số nhị phân theo hàng xóm (contiguity-based):\u003C\u002Fstrong> \u003Cscript type=\"math\u002Ftex\">w_{ij} = 1\u003C\u002Fscript> nếu điểm i và j kề nhau, \u003Cscript type=\"math\u002Ftex\">0\u003C\u002Fscript> nếu không.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Trọng số theo khoảng cách (distance-based):\u003C\u002Fstrong> giá trị giảm dần theo khoảng cách giữa i và j, ví dụ \u003Cscript type=\"math\u002Ftex\">w_{ij} = 1\u002Fd_{ij}\u003C\u002Fscript>.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>k-Nearest Neighbors (k-NN):\u003C\u002Fstrong> mỗi điểm chỉ có trọng số với k điểm lân cận gần nhất.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nBảng minh họa một số dạng trọng số không gian thường dùng:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Phương pháp\u003C\u002Fth>\n    \u003Cth>Đặc điểm\u003C\u002Fth>\n    \u003Cth>Ưu điểm\u003C\u002Fth>\n    \u003Cth>Nhược điểm\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Contiguity\u003C\u002Ftd>\n    \u003Ctd>Dựa vào hình học vùng lân cận\u003C\u002Ftd>\n    \u003Ctd>Đơn giản, phù hợp dữ liệu vùng\u003C\u002Ftd>\n    \u003Ctd>Không tính đến khoảng cách thực\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Distance band\u003C\u002Ftd>\n    \u003Ctd>Chỉ liên kết trong bán kính nhất định\u003C\u002Ftd>\n    \u003Ctd>Linh hoạt, có ngưỡng kiểm soát\u003C\u002Ftd>\n    \u003Ctd>Dễ tạo trọng số bằng 0\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Inverse distance\u003C\u002Ftd>\n    \u003Ctd>Giảm tỷ trọng theo khoảng cách\u003C\u002Ftd>\n    \u003Ctd>Phản ánh ảnh hưởng vật lý thực tế\u003C\u002Ftd>\n    \u003Ctd>Không thích hợp khi dữ liệu rời rạc\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\n\u003Ch2>Giả định thống kê và kiểm định ý nghĩa\u003C\u002Fh2>\n\u003Cp>\nĐể xác định xem một giá trị tự tương quan không gian có ý nghĩa thống kê hay không, cần kiểm định giả thuyết thống kê. Giả thuyết gốc thường giả định rằng dữ liệu phân bố ngẫu nhiên trong không gian (không có tương quan), và chỉ số quan sát là kết quả ngẫu nhiên.\n\u003C\u002Fp>\n\u003Cp>\nVới chỉ số Moran's I, giá trị kỳ vọng \u003Cscript type=\"math\u002Ftex\">E(I)\u003C\u002Fscript> trong trường hợp không có tương quan là:\n\u003C\u002Fp>\n\u003Cp>\n\u003Cscript type=\"math\u002Ftex\">E(I) = -\\frac{1}{n - 1}\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nSau đó, kiểm định z được sử dụng để đánh giá ý nghĩa thống kê:\n\u003C\u002Fp>\n\u003Cp>\n\u003Cscript type=\"math\u002Ftex\">z = \\frac{I - E(I)}{\\sqrt{Var(I)}}\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nNếu |z| vượt qua ngưỡng tới hạn (ví dụ ±1.96 ở mức ý nghĩa 95%), thì có thể bác bỏ giả thuyết ngẫu nhiên và khẳng định có tồn tại tự tương quan không gian có ý nghĩa. Ngoài ra, phương pháp Monte Carlo được sử dụng phổ biến, bằng cách tạo ra hàng ngàn hoán vị ngẫu nhiên để xây dựng phân phối chuẩn hóa của chỉ số và so sánh với giá trị thực tế.\n\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng trong nghiên cứu khoa học và thực tiễn\u003C\u002Fh2>\n\u003Cp>\nTự tương quan không gian là công cụ thiết yếu trong các {{topic|%7B%22topic%22%3A%22nghi%C3%AAn%20c%E1%BB%A9u%20%C4%91%E1%BB%8Bnh%20l%C6%B0%E1%BB%A3ng%22%7D}} có {{topic|%7B%22topic%22%3A%22y%E1%BA%BFu%20t%E1%BB%91%20%C4%91%E1%BB%8Ba%20l%C3%BD%22%7D}}. Khả năng xác định mối quan hệ theo không gian cho phép phát hiện các cụm rủi ro, mô hình hóa lan truyền, hoặc đánh giá hiệu quả can thiệp chính sách theo vùng.\n\u003C\u002Fp>\n\u003Cp>\nMột số ứng dụng tiêu biểu:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Sinh thái học:\u003C\u002Fstrong> đánh giá phân bố loài, cấu trúc quần xã, và ảnh hưởng của phá vỡ cảnh quan.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Khoa học môi trường:\u003C\u002Fstrong> xác định vùng {{topic|%7B%22topic%22%3A%22%C3%B4%20nhi%E1%BB%85m%20n%C6%B0%E1%BB%9Bc%20ng%E1%BA%A7m%22%7D}} hoặc phát thải không khí.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Y tế công cộng:\u003C\u002Fstrong> phát hiện vùng có tỷ lệ mắc bệnh cao để ưu tiên can thiệp.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Kinh tế và quy hoạch:\u003C\u002Fstrong> mô hình hóa thị trường địa ốc, đánh giá chênh lệch thu nhập, và lập kế hoạch đô thị.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nVí dụ, trong phân tích dịch bệnh như sốt xuất huyết hoặc COVID-19, các nhà nghiên cứu sử dụng Local Moran’s I để xác định cụm phát sinh bệnh bất thường, hỗ trợ cơ quan y tế phản ứng nhanh và phân bổ tài nguyên hiệu quả.\n\u003C\u002Fp>\n\n\u003Ch2>Hạn chế và thách thức\u003C\u002Fh2>\n\u003Cp>\nDù là một công cụ mạnh, tự tương quan không gian cũng đối mặt với nhiều hạn chế kỹ thuật và thực tiễn. Một trong số đó là tính phụ thuộc cao vào cấu trúc không gian và ma trận trọng số. Việc chọn sai trọng số có thể dẫn đến hiện tượng tương quan giả (spurious autocorrelation).\n\u003C\u002Fp>\n\u003Cp>\nMột số thách thức phổ biến:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Hiệu ứng cạnh:\u003C\u002Fstrong> các đối tượng gần rìa bản đồ có ít hàng xóm, làm sai lệch kết quả.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Heteroscedasticity không gian:\u003C\u002Fstrong> phương sai sai số thay đổi theo vùng, gây khó khăn cho mô hình.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tính mở rộng kém:\u003C\u002Fstrong> các chỉ số truyền thống không dễ mở rộng cho dữ liệu phi tuyến hoặc thời gian – không gian.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nNgoài ra, khi sử dụng trong mô hình hồi quy không gian (Spatial Regression), tự tương quan không được xử lý đúng có thể dẫn đến sai lệch trong ước lượng hệ số và kiểm định giả thuyết thống kê. Điều này đòi hỏi các mô hình chuyên biệt như SAR (Spatial Autoregressive Model), SEM (Spatial Error Model), hay GWR (Geographically Weighted Regression).\n\u003C\u002Fp>\n\n\u003Ch2>Phần mềm và công cụ phân tích\u003C\u002Fh2>\n\u003Cp>\nViệc thực hiện phân tích tự tương quan không gian được hỗ trợ bởi nhiều công cụ phần mềm và thư viện lập trình chuyên biệt. Các nền tảng này cung cấp cả giao diện đồ họa và mô-đun lập trình cho phân tích toàn cục và cục bộ, với khả năng kiểm định, trực quan hóa, và xuất bản kết quả.\n\u003C\u002Fp>\n\u003Cp>\nMột số công cụ phổ biến:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>GeoDa:\u003C\u002Fstrong> {{topic|%7B%22topic%22%3A%22ph%E1%BA%A7n%20m%E1%BB%81m%20m%C3%A3%20ngu%E1%BB%93n%20m%E1%BB%9F%22%7D}} do Luc Anselin phát triển, tập trung vào thống kê không gian và LISA.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>ArcGIS Pro:\u003C\u002Fstrong> nền tảng GIS thương mại với bộ công cụ Spatial Statistics chuyên sâu.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>R:\u003C\u002Fstrong> các gói như \u003Ccode>spdep\u003C\u002Fcode>, \u003Ccode>sf\u003C\u002Fcode>, \u003Ccode>spatialreg\u003C\u002Fcode> dùng cho mô hình hóa không gian thống kê.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Python:\u003C\u002Fstrong> thư viện \u003Ccode>PySAL\u003C\u002Fcode> cung cấp gần như đầy đủ các công cụ phân tích không gian.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nTài liệu và mã nguồn cho GeoDa: https:\u002F\u002Fgeodacenter.github.io\u002F\n\u003C\u002Fp>","Spatial autocorrelation","thước đo mức độ tương quan lẫn nhau giữa các giá trị của một biến số tại các vị trí địa lý khác nhau, phản ánh định luật địa lý thứ nhất của Tobler rằng các đối tượng gần nhau thường có tính chất tương đồng hơn các đối tượng ở xa.","NATURAL_SCIENCES",[21,28,32],{"citationText":22,"title":23,"authors":24,"source":25,"year":26,"doi":27,"url":10},"Patuelli (2015). Spatial Autocorrelation and Spatial Interaction. Encyclopedia of GIS. doi:10.1007\u002F978-3-319-23519-6_1522-1","Spatial Autocorrelation and Spatial Interaction","Patuelli","Encyclopedia of GIS",2015,"10.1007\u002F978-3-319-23519-6_1522-1",{"citationText":29,"title":23,"authors":24,"source":25,"year":30,"doi":31,"url":10},"Patuelli (2017). Spatial Autocorrelation and Spatial Interaction. Encyclopedia of GIS. doi:10.1007\u002F978-3-319-17885-1_1522",2017,"10.1007\u002F978-3-319-17885-1_1522",{"citationText":33,"title":34,"authors":35,"source":36,"year":37,"doi":38,"url":10},"Griffith, Chun (2021). Spatial Autocorrelation and Moran Eigenvector Spatial Filtering. Handbook of Regional Science. doi:10.1007\u002F978-3-662-60723-7_72","Spatial Autocorrelation and Moran Eigenvector Spatial Filtering","Griffith, Chun","Handbook of Regional Science",2021,"10.1007\u002F978-3-662-60723-7_72",[40,43,46],{"question":41,"answer":42},"Chỉ số Moran's I toàn cục (Global Moran's I) được diễn giải như thế nào?","Giá trị Moran's I dao động từ -1 đến +1: giá trị dương có ý nghĩa thống kê chỉ ra cụm không gian tương đồng (spatial clustering), giá trị âm phản ánh sự phân tán không gian (spatial dispersion), và giá trị gần 0 cho thấy phân bố ngẫu nhiên.",{"question":44,"answer":45},"Chỉ số liên kết không gian cục bộ (LISA \u002F Local Moran's I) cung cấp thông tin gì?","LISA phân tích từng điểm dữ liệu để xác định các cụm nóng (High-High), cụm lạnh (Low-Low) hoặc các ngoại lai không gian (High-Low, Low-High), giúp phát hiện các dị thường địa lý cục bộ.",{"question":47,"answer":48},"Hệ quả của việc bỏ qua tự tương quan không gian trong các mô hình hồi quy OLS là gì?","Vi phạm giả định độc lập của các phần dư (i.i.d), dẫn đến ước lượng sai số chuẩn bị sai lệch (thường thấp hơn thực tế), làm tăng tỷ lệ dương tính giả (lỗi loại I) khi kiểm định ý nghĩa thống kê.",{"id":50,"researcherId":10,"name":51,"imageUrl":52},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":54,"researcherId":10,"name":55,"imageUrl":56},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",[58,59,60,61,62,63,64,65,66,67],"phân tích không gian","nghiên cứu thực địa","phân tích thống kê","kiểm định giả thuyết","quản lý tài nguyên","yếu tố quyết định","nghiên cứu định lượng","yếu tố địa lý","ô nhiễm nước ngầm","phần mềm mã nguồn mở",10,true,"PUBLISHED","2025-04-29T02:25:56.953+00:00","2026-09-10T05:11:34.045+00:00","2025-08-20T07:13:15.067+00:00","2026-09-10T05:11:33.573+00:00",201,[77,80,83,86,89,92,95,98,101,104],{"id":78,"title":79,"term":78,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"mô hình lý thuyết","Mô hình lý thuyết là gì? Các nghiên cứu về Mô hình lý thuyết",{"id":81,"title":82,"term":81,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"điểm vas","Điểm VAS là gì? Các công bố khoa học về Điểm VAS",{"id":84,"title":85,"term":84,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"z-score","Z-score là gì? Các công bố khoa học về Z-score",{"id":87,"title":88,"term":87,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"chiết xuất lỏng lỏng","Chiết xuất lỏng lỏng là gì? Các bài báo nghiên cứu khoa học",{"id":90,"title":91,"term":90,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"thử nghiệm ngẫu nhiên có đối chứng","Thử nghiệm ngẫu nhiên có đối chứng là gì? Các nghiên cứu ",{"id":93,"title":94,"term":93,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"google earth engine","Google earth engine là gì? Các nghiên cứu khoa học liên quan",{"id":96,"title":97,"term":96,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"nghiên cứu đoàn hệ","Nghiên cứu đoàn hệ là gì? Các công bố về Nghiên cứu đoàn hệ",{"id":99,"title":100,"term":99,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"ngoại kiểm","Ngoại kiểm là gì? Các công bố khoa học về Ngoại kiểm",{"id":102,"title":103,"term":102,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"phân tích meta","Phân tích meta là gì? Các nghiên cứu về Phân tích meta",{"id":105,"title":106,"term":105,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"nhũ tương","Nhũ tương là gì? Các bài báo nghiên cứu khoa học liên quan"]