如果適應莫蘭指數測量某個因變量，發現具有顯著的空間自相關效應，那么這樣的特征除了可以分析因變量的空間分布特征外，如果要進一步分析該因變量同環境因子之間的關系，就需要對這樣的空間自相關效應加以考慮。
這時候，如果要使用某個或某幾個環境變量對此因變量進行回歸分析，以檢測環境因子與因變量的關系時，如果使用傳統的OLS回歸，就會導致存在空間自相關而增加犯第一類錯誤的風險，也就是拒絕原假設，得到的p值更小。因此需要考慮空間自相關，如果去除了空間自相關效應，有可能結果變得不顯著了，P值增加，之前有相關性的兩個變量，就變得不相關了。。。
那么，這樣的因變量這樣的空間分布特征產生的原由，有兩種，一個是因變量自身，一個是環境因子導致。當因變量自身的特征導致的空間結構時，就叫做空間自相關；如果該因變量的空間結構時環境因子導致的，則稱為誘導性空間依賴。
因此，當我們發現莫蘭指數顯著大於期望時，探討環境因子和因變量的關系就需要考慮這樣的空間結構特征了。一般的，如果是由空間自相關產生的空間結構時，而且我們能夠找到這樣的空間結構（比如隨着距離增加減小），那么使用該空間結構（比如距離）同因變量進行回歸分析，殘差理論上就會無空間自相關效應了（莫蘭指數為接近期望，p值較大）。這時后的殘差就是去除了空間自相關效應的，可以用此值同其他的環境因子進行回歸分析，從而得到可靠的結果。
如果是由環境因子的結構特征導致的因變量空間結構特征時，也就是說某個環境因子的高低值導致了因變量的高低變化。那么對該變量進行回歸分析，理論上得到的殘差就會無空間自相關效應。
注意：真實的情況是，我們無法知道一個因變量的空間自相關效應是來自於其本身，還是來自於環境因子，或者二者都有一部分影響。但說過來，來自本身時可以用距離結構來消除，來自外部因子時可以使用外部因子來消除，如果把距離和外部因子視為外因子的話，就不存在空間自相關來自哪里的問題，只有如何有效減小的問題。
一個因變量的空間結構特征，在不同距離上有着不同的空間自相關值，那么找的合適的距離和空間結構，就可以有效去除空間自相關效應（還不太清楚如何處理）
介紹目前的常規做法：
首先，將你打算探索的數據整理好，我用arcgis處理，將因變量和環境因子放在一個圖層的屬性表里，該圖層最好是polygon形式，而且需要注意，如果你要計算的queen形距離矩陣，就不要有破碎面，也就是沒有鄰近單元的單個斑塊，這樣的斑塊鄰近值為0。
其次，生成距離矩陣，在R里面處理，將圖層導入R，並生成距離矩陣，距離矩陣有多種，有些對破碎斑塊容忍度較好。
再次，使用OLS擬合因變量和環境變量。
第四，使用lm.LMtest函數檢測模型參數，選擇合適的模型
第五，然后使用對應的函數處理因變量和環境因子，得到回歸結果，解釋回歸結果。
一般使用的較多的有兩種模型，空間滯后模型和空間誤差模型，前者可以使用impacts函數統計環境因子和因變量之間的關系。后者不清楚如何處理。
https://eburchfield.github.io/files/Spatial_regression_LAB.html