房价跟 CBD 距离关系的空间异质性，适合想研究空间数据分布规律的你。可塑性面积单元问题是重点，换句话说，不同的分区方式、尺度大小，会影响结果。这套背后的核心就是你得考虑空间单位对的干扰，嗯，不然偏差大。

尺度效应讲的就是你把小区合并成街道再，得出的完全变样。划区效应则是在说，就算区域大小不变，你怎么划分区域，也能影响结果。对于做空间回归、地理加权回归这些的朋友来说，这可不是什么细节问题，是核心变量啊。

如果你用的是 ArcGIS 或 GeoDa 之类的工具，那些聚合操作、邻接矩阵都得好好设定，别一键默认。别说，我自己踩过坑，不换区域划分，房价的回归系数就是不显著，一换就蹦出来了。所以啊，别偷懒，多试几个分区方案。

想深挖的，可以看看这篇文章的原始版本：CBD 距离与房屋价格的空间异质性，里面还有实际案例和代码示范，蛮值得参考的。

对了，如果你对空间比较熟，顺手看看这篇关于 XLSX 归一化 的 Matlab 实现，也挺实用的，尤其是你数据前那一块还不顺手的话。

，如果你想搞明白“为什么结果总飘”，不妨先从可塑性面积单元问题下手。要是你用的是像 spdep 或 PySAL 这样的库，那就更要小心划区问题，数据一变，模型参数也跟着变。