空间自相关指的是分布于不同空间位置的地理事物，它的某一个属性值存在统计相关性，一般来说，距离越近，相关性越大。

本次分析某一个城市的不同收入家庭的居住空间分布情况。

先用全局空间自相关指数（Moran’s指数）判断这个城市的家庭收入是否存在空间自相关；
如果存在，再使用高/低聚类判断是哪种类型的聚类；
最后，进行聚类和异常值分析以及热点分析，找出各类集聚的空间分布区域。

我们先打开一个城市的家庭收入面数据，可以简单看一下情况。

1：打开空间自相关工具（位于分析模式下）。、
2：输入数据。
3：选择字段，这里我们选择收入字段。
4：生成报表勾选了。

查看结果（在地理处理下。）
打开这个html文件。

从结果图可知，Z为53.09，P值为0，表明，家庭收入空间分布存在比较显著的空间正相关。也就是出现了高与高收入家庭集聚，低与低收入家庭集聚（对应图中的红色部分）。

从上面的结果我们知道：Moran’s I指数不能判断到底是高与高还是低与低集聚。
因此，可以采用General G 进行判断（z得分为正表示高/高集聚，为负数就表示低/低集聚）。

类似上述操作，
1：找到高/低聚类工具。
2：输入数据。
3：字段选择。
4：生成报表。

我们还是一样的查看结果。

Z的得分为-4.58，也就是存在显著的低/低集聚的情况（上图蓝色区域）。

但是，数据本身存在这样一种情况：
空间事物存在异质性，在某些局部表现为空间正相关，另外一部分可能是发散的，因此，需要进行局域空间自相关。

1：找到聚类和异常值分析工具（位于聚类分布制图下）。
2：输入字段。
3：输出地址与命名。

通过上图我们可以知道：
黑色区域是高/高集聚，主要分布在城市的西部和东部。
蓝色的是低/低集聚，主要分布在中部地区。
橙色是高/低集聚，数量和区域都很小。

下面进行热点分析：

1：热点分析。
2：输入字段（家庭收入）。
3：输出地址。

通过以上的分析可以得出结论：

这个城市存在高/高收入集聚和低/低收入集聚（更显著），表面城市空间存在居住分异现象，不利于城市的发展。