空间依赖(Spatial Dependence)可以定义为观测值及区位之间的一致性(Anselin,2000)。空间自回归分析从一般的回归分析入手,主要在两个方面进行延伸,即考虑空间对象位置的个性差异的地理加权回归分析和考虑空间对象之间相互作用下的二阶回归分析。在现实世界中,特别是空间分布数据,线性正态回归模型(CNLRM)和经典线性回归模型(CLRM)条件很难满足,为此发展了空间线性回归模型。为了得到江苏省1Km格网大小的人口数据空间化结果,在采用空间自回归的方法进行人口数据的空间化之前,先采用人口数据空间化的GCAWI法对江苏省镇级单元的人口密度分布图进行格网化处理。先绘制1km*1km格网,并与镇级单元的人口密度图进行叠加处理。可知整个江苏省被分成104022个1km*1km的格网。结果表明该方法得到的人口密度的空间分布图较好地缓和了原始图中的突变线,可以合理地表达出人口密度随空间地域变化连续分布的现实。运用最大似然估计的空间滞后模型(Maximum Likelihood Spatial Lag Model),以共点形式获得空间权重矩阵,对上述结果作空间自回归分析,得到人口密度空间化结果图,结果表明,采用空间自回归得到的人口密度空间化结果缓和了边界处的突变线,比较合乎人口分布的现实。残差较大的区域集中在镇级单元的交界区域,也即说明空间自回归得到的结果对边界的突变线的缓和作用较好。