三类模型的拟合结果如表6.11所示。

从横向来看，二次空间扩展模型调整R2为0.704，优于一次空间扩展模型的0.671，对数似然函数值和AIC值比一次空间扩展模型也有改善；MGWR模型的调整R2、对数似然函数值、AIC值分别为0.766、-1005.768、-756.902，与GWR模型相应的参数值相比虽然基本接近，但还是略微有所优化。

表6.11　三类模型拟合结果对比

从纵向看，普通特征价格模型、一次空间扩展模型、二次空间扩展模型、GWR模型、MGWR模型的解释力逐个提高。所有解释变量与样本点地理坐标交互后的一次空间扩展模型的解释能力达到了67.1%，比普通特征价格模型的56.7%提高了近10%；而GWR模型的解释能力更优，相较一次空间扩展模型的67.1%又提高了8%左右，达到了75.7%。

此外，为了评估空间扩展模型与地理加权回归模型的预测精确度，取一次空间扩展模型和二次空间扩展模型的残差绝对值的较小者，取GWR模型和MGWR模型的残差绝对值的较小者，再将两者进行比较，便可得到两类模型在整个空间位置上残差绝对值的总体分布情况（见表6.12和图6.13）。

表6.12　两类模型残差绝对值比较

由表6.12和图6.13所示的两类模型残差绝对值比较结果可知，总体上看，地理加权回归模型的预测精确度相对空间扩展模型而言要高一些，能够更准确地解释更多的样本点，这也从侧面反映出地理加权回归模型的优点。(www.daowen.com)

同理，比较GWR模型和MGWR模型的残差绝对值，能够判断GWR模型和MGWR模型的预测精确度（见表6.13和图6.14）。

表6.13　两种地理加权回归模型残差绝对值比较

由表6.13和图6.14所示的两类模型的预测情况可以明显地看出，这两种模型预测更准确的样本数几乎一样，从前面模型整体情况也看出，MGWR模型和GWR模型的调整R2和AIC值都比较接近，可见，两者均没有明显的优势。

图6.13　空间扩展模型和GWR模型残差绝对值比较

图6.14　GWR模型和MGWR模型残差绝对值比较

从前面空间扩展模型的结果可以看出，部分住宅特征变量与区位坐标交互项的回归系数是显著的，对应的住宅特征变量的隐含价格确实存在空间异质性。但是，空间扩展模型不一定能够揭示出所有住宅特征隐含价格的空间异质性，而且那些存在空间异质性的住宅特征的隐含价格在每一个样本点的值无法在空间扩展模型的结果中得到。因此，空间扩展模型虽然能够用来较好地判断住宅特征的隐含价格是否存在空间异质性，而若想要得到任意空间位置上住宅特征的隐含价格，以此来分析住宅特征隐含价格的空间分布特征，则需要借助地理加权回归模型才能够实现。