众所周知，普通特征价格模型能够较好地分析与研究解释变量和被解释变量之间的线性关系。然而，当研究中涉及空间数据时，如果仍旧采用普通线性回归模型进行研究，那么其研究结论中隐含着一个前提假设：解释变量对被解释变量的影响在空间上呈现均匀分布，其影响程度不会随着空间位置的变化而变化。这样的假设显然与实际不完全相符，地理加权回归模型把研究数据的空间位置融入模型中，在模型的回归过程中考虑到了解释变量与被解释变量之间的关系随着空间位置的不同而变化，这正是地理加权回归模型优于一般线性回归模型之处。

（1）地理加权回归模型的参数设定

地理加权回归模型将回归系数视为样本点空间位置的函数，从而使模型结合了数据的空间属性。在具体构建模型时，为了将数据的空间属性纳入模型，需要构造权重矩阵，确定空间权重函数的方法主要有距离阈值法、高斯函数法、距离反比法、bi-square函数法等。

空间权重以一定的区域范围内的样本为基础，反映出与当前回归点有紧密关系的观测点。在筛选与当前回归点有紧密关系的观测点时，不同的权重函数的筛选范围有所不同。高斯函数法、bi-square函数法是较为常用的权重函数，本研究选用bi-square函数法作为权重函数。

（2）地理加权回归模型的构建

GWR模型如下：(www.daowen.com)

式中，lnPi为因变量，Xij为地点i的第j个自变量，βj（ui，vi）为自变量的回归系数，ui、vi为样本i的地理区位经纬度坐标，εi为随机误差项。经过模型测试，回归时小区房龄、武林广场距离、西湖距离、钱江新城距离取对数，其余自变量采用线性形式时，地理加权回归模型的拟合度更优。

（3）地理加权回归模型的结果

通过GWR 4.0软件进行回归，地理加权回归模型的回归结果如表6.4所示。

表6.4　地理加权回归模型回归结果