‹ retour au glossaire du SIG
Autocorrélation spatiale
Définition
L’autocorrélation spatiale mesure le degré de similarité ou de dissimilarité des observations proches. Une autocorrélation positive signifie un regroupement de valeurs semblables ; une autocorrélation négative implique des motifs en damier. Les statistiques globales comme l’indice de Moran résument la structure d’ensemble, tandis que les indicateurs locaux montrent où se trouvent les grappes ou les valeurs aberrantes. Comprendre l’autocorrélation importe pour une inférence valide et pour concevoir des stratégies d’échantillonnage.
Application
L’épidémiologie teste si le risque de maladie se regroupe ; l’économie examine les retombées spatiales ; l’écologie étudie l’agrégation des espèces ; l’immobilier évalue les motifs de prix. L’autocorrélation éclaire aussi le krigeage et la régression spatiale, qui modélisent explicitement la dépendance spatiale.
FAQ
Pourquoi ignorer l’autocorrélation peut-il gonfler la significativité en régression ?
Des résidus corrélés dans l’espace violent les hypothèses d’indépendance et rendent les valeurs p trop optimistes. Les modèles à décalage spatial ou à erreur spatiale corrigent cela en absorbant la dépendance.
Comment choisit-on la matrice de poids spatiaux et pourquoi est-ce important ?
Les poids encodent la structure de voisinage (k plus proches voisins, bandes de distance, contiguïté). Des choix différents changent les résultats ; des tests de sensibilité garantissent la robustesse des conclusions.
Que révèle un diagramme de Moran au-delà de la statistique I ?
Il montre la valeur de chaque observation par rapport à la moyenne décalée spatialement, identifiant les grappes haut–haut et bas–bas et les valeurs aberrantes haut–bas et bas–haut pour une action ciblée.
Quand une autocorrélation négative peut-elle apparaître dans des données réelles ?
Un zonage qui sépare des usages incompatibles, des champs agricoles en alternance ou des territoires de prédateurs et de proies peuvent créer des motifs alternés.
