空间统计是继时间序列分析的又一门对一般统计学的推广,空间统计最初是由地理信息研究发展起来的,同经典统计分析相比,空间统计研究的空间资料并非独立的,而是存在某种空间相关性,且在不同的空间解析度下呈现不同的相关程度。空间资料是不能重复的,因此,空间现象的了解与描述极为复杂,传统的统计分析技巧并不适合来分析空间资料。目前空间统计模型大致可分为三类:地统计学、格点空间模型、空间点分布模型。本文介绍了地统计学和一些空间数学模型,及其估计。并采用空间分析手法对案例进行研究,虽然这些案例的模型较为简单,我们的目的是让大家了解空间分析的方法。本文首先介绍了地统计学,并探讨了变差函数及其估计,变差函数是地统计学中较为重要的概念,它可以判断空间数据的异常值(点),我们在SIDS病例分析中采用此法来判断异常点。对于数据的分析,我们通常的目的是:一、找到与反应变量有关的解释变量;二,在此基础上若能建立适当的数学模型,是我们更希望得到的。鉴于此,在SARS病例中,王劲峰采用空间过程因子分析方法(是一般因子分析方法的推广),来寻找与病情有关的空间因子。鉴于在案例分析中要建模,我们介绍了空间自回归模型及其参数的估计,地理加权回归模型,自泊松模型等。这些模型与我们常见的回归模型最大的不同之处在于,我们在模型中引进了权重矩阵,这是空间统计中很重要的因子。对于空间数据分析,我们首先要判断其是否空间相关,然后才考虑采用空间模型。判断空间相关的的方法主要有Moran’s I和Geary’s C系数法,但Moran’s I运用更广泛一些,根据空间数据分析软件如GeoDA我们可以绘制出Moran散点图,并判断相关因子,这一点本文在案例分析时以给出。一般而言,病情的爆发总是存在一定的空间属性,因此我们采用空间分析技术来处理数据,比一般的统计方法要好,因为它保留了空间因素,是数据保留更多的信息。目前空间统计在许多领域都有应用,如地质、大气、水文、生态、天文、遥测、地震、环境检测、以及影像处理等,Moore将空间统计用于脑部信息的解读,从另一个角度提出了脑科学研究的方法,对于脑学的发展也有一定的意义,这也将是空间统计在医学方面的一个研究方向。