用途：回答地理现象“是否聚集、在哪里、为什么”，并给出可辩护的统计推断。核心前提是空间数据违反独立性假设，普通统计会高估显著性，因此分析从权重设计开始、以残差诊断结束。
空间权重（W）：结果取决于 W，需按实质理由选择并用一个替代方案做敏感性检验。Queen/Rook 邻接用于不规则多边形；K 近邻用于点数据或存在岛屿；距离带用于已知作用范围的过程；核（距离衰减）用于平滑影响与 GWR 类局部模型。示例：from libpysal.weights import Queen；w = Queen.from_dataframe(gdf, use_index=True)；w.transform = "r"。需报告权重类型、参数、岛屿数量及结果是否在替代 W 下稳健。
全局到局部流程：全局 Moran's I（esda.Moran，置换推断≥999）回答是否存在聚类，报告 I、p_sim 与置换分布；LISA/局部 Moran（esda.Moran_Local）定位 High-High、Low-Low 聚类与 High-Low/Low-High 异常，制图前至少做 FDR 多重检验校正；Getis-Ord Gi*（esda.G_Local, star=True）找强度热点/冷点。基于人口的现象用率而非计数，小人口单元先用经验贝叶斯平滑（esda.smoothing）。
点模式：区分一阶强度（KDE）与二阶交互（Ripley's K/L，pointpats）；存在明显密度梯度时用非齐次零假设；报告并论证 KDE 带宽。
空间回归：先跑 OLS 再诊断，from spreg import OLS；ols = OLS(y, X, w=w, spat_diag=True, moran=True, name_y="price", name_x=xnames)。按 LM 检验决策：LM-Lag 显著而 LM-Error 不显著用 SAR，反之用 SEM，两者都显著比较稳健 LM，均不显著则保留 OLS。SAR 系数非边际效应，需报告直接/间接（溢出）效应；SEM 中空间结构是干扰相关，不可讲溢出。关系随空间变化时用 GWR/MGWR（mgwr），按 AICc 选带宽，局部系数需掩蔽不显著项，GWR 属探索性。
推断诚实：优先置换 p 值；局部检验做 FDR 校正；注意 MAUP 并测试替代聚合；最终模型报告残差 Moran's I；空间混杂下需明确识别策略再谈因果。
执行契约：定义推断问题与单元；检查分布与率；构建并论证权重；先全局后局部；必要时建模；诊断残差依赖；报告不确定性。失败模式包括任意权重下作推断、忽略岛屿、MAUP 不稳定、未校正多重检验、残差自相关与无依据的因果表述。版本敏感的统计 API 或默认值应查阅权威来源登记表。