地统计学元祖Anselin教授所著的《局部空间关联指标（LISA）》这篇论文中，提出了LISA这一统计学概念，并展示了如何将全局指标如Moran's I分解为每个观测值的贡献。LISA统计量不仅可作为局部非平稳性或热点的指标，还可以用来评估个体观测值对全局统计量的影响，并识别异常值。Anselin教授的研究是在美国国家科学基金会、Rockefeller Foundation等机构资助下完成的，并且早期版本曾在地理信息系统（GIS）和探索性空间数据分析工作坊上进行过介绍。
在这篇论文中，Anselin教授指出了空间分析中局部空间关联模式识别的重要性，并提出了一个新的LISA通用类别。这一概念的提出是基于GIS系统中数据可视化、快速检索和处理能力的增强，以及对于大型空间数据集中“空间”部分的分析方法的需求日益增长。LISA统计量的作用有两个：一方面可以作为局部空间非平稳性或热点的指示器；另一方面，可以用来评估个体位置对全局统计量的贡献，并识别异常值。
Anselin教授在研究中还进行了一系列的LISA统计量的初步评估，其中一个就是局部Moran统计量的应用示例，它被用于分析非洲国家冲突的空间分布模式，并通过Monte Carlo模拟进行了验证。这项研究的成果有助于地理分析师在探索性空间数据分析和确认性空间数据分析方法上的扩展。
LISA统计量对于地理信息系统(GIS)和空间分析领域是非常重要的。随着大数据时代到来，空间数据的处理和分析变得越来越重要。GIS作为处理空间数据的关键工具，其可视化、数据检索和处理能力的提升，使得我们能够更好地探索和理解数据中的空间信息。而LISA的提出，就是为了解决如何在局部尺度上探讨空间关联性，这在诸如环境科学、城市规划、流行病学和犯罪分析等多个领域都有广泛的应用。
Moran's I是一种全局空间自相关指标，用于测量空间数据集中的空间模式。LISA的提出进一步发展了这一指标，使研究者能够将空间自相关的理解推进到局部层面。这意味着研究者不仅能够了解整个研究区域内是否存在空间自相关，还能了解具体哪些局部区域对这种全局空间自相关有重要影响。
Anselin教授的研究成果受到了美国国家科学基金会、Rockefeller Foundation等机构的支持，并且早期版本的LISA概念已在相关工作坊上进行过展示和交流。这些都体现了LISA在空间统计学领域的重要地位以及国际学术界对这一概念的重视。
LISA的研究和应用需要较为深入的数学和统计学知识，对于GIS专业人士和空间数据分析师而言，理解并能够使用LISA将帮助他们更好地揭示空间数据的复杂性，并为决策提供更加科学的依据。随着空间分析技术的不断进步，LISA等概念在实际应用中的价值将会进一步增加。
