5月28日下午，资源与环境信息系统国家重点实验室石坚论坛第20讲顺利举行。受实验室邀请，来自美国德克萨斯州立大学 (University of Texas at Dallas) Daniel A. Griffith教授作为此次主讲嘉宾，做了题为“Eigenvector Spatial Filtering: motivation, conceptualization, mathematics, and applications”的主题报告。本次论坛报告由王劲峰研究员主持。 

    Daniel A. Griffith是 Ashbel Smith教授，现就职于美国德克萨斯州立大学经济政治政策学院，地理学顶尖学术期刊《Geographical Analysis》编辑，国际地理学会系统建模委员会委员，美国统计协会研究员、德国马普学会人口研究所的访问学者、富布赖特研究员、古根海姆研究员、纽约科学院院士，空间计量经济学协会的创始会员之一、北美区域科学委员会前任会长。 在2005年到德州达拉斯大学任教前，他曾在瑞尔森科技大学、SUNY/Buffalo大学、迈阿密大学任教。还曾在美国俄勒冈州立大学、鹿特丹大学、罗马大学、剑桥大学任客座教授。Daniel A. Griffith在大学主讲过的课程有空间统计、地理信息科学的研究与设计、数理统计、空间数据组织和概念等。主要研究领域包括空间统计、空间计量经济学、应用统计。已出版17本专著，发表200余篇论文。

    报告中，Daniel A. Griffith教授首先介绍了空间自相关性普遍存在的现象，并以生动形象的案例对此进行了说明，指出了空间自相关性存在的两种基本模式，即Spatial interaction (direct dependency) 和Spatial distribution (underlying common factor)。空间自相关性的存在，对传统统计方法是一个挑战。Griffith教授在介绍了空间自相关性有关问题的背景之后，从概念、数学推导、估计量的特性以及与空间自回归模型的对比研究等方面充分介绍了Eigenvector Spatial Filtering (ESF)方法。ESF方法通过生成synthetic代理变量，从空间邻接矩阵提取特征向量的线性组合，然后添加此代理变量作为模型设定的控制变量。此控制变量的单个特征向量可分离的空间格局，识别和分离地理观测值之间的随机空间依赖，因此，允许空间分析处理地理观测值为独立观测值。同时，ESF方法可以得出总体参数的无偏估计，并可以得到与其他估计方法(OLS和GLS)相比更优的估计值。最后，通过一系列案例研究结果，说明ESF比空间自回归模型存在多方面的优势。

    Daniel A. Griffith教授的报告发人深思，提出了一种处理空间数据的新思路。多位研究人员和研究生就该方法的核心思想与应用方面的问题与Daniel A. Griffith进行了深入交流。