一种方法从来都是为了解决问题，而不是故弄玄虚。所以，在准备用空间回归分析之前，我们得先问自己，为什么要用它？这有两大考虑：一是模型更可靠，二是为了识别空间效应。在一个空间样本集中，样本点之间是相互影响的，这种影响表现在数据上就是Y的空间自相关性，一般用莫兰指数来衡量。空间自相关来源有三：或是Y之间相互影响，或是毗邻的X影响本身的Y，或是模型中忽略的因素存在空间关联性。
根据这三种关联机制，建模的思路也很直接：如果是邻居的Yj影响自身的Yi（反过来Yi也会影响Yj），那就把邻居的Yj值平均后视为新的自变量LY，加到X中去再回归。好比浙江的GDP受到本身投入水平的影响，但也与周边的GDP产出水平有关，因此需要将其毗邻省份，如上海、江苏、安徽、江西、福建的GDP平均后作为新的自变量。每个省份都如此处理，就得到了一列新的变量。
如果是邻居的X影响本身的Y，类似以上做法，把邻居X平均后得到的变量LX加进原有的X再做回归。一般来说，有多少个X，就有多少个LX。
如果模型中应该考虑LY或（和）LX而你没有考虑，统计上看，就等于产生了遗漏变量偏差，因此模型估计是不可靠的。
第三种情况，模型中忽略的因素间存在空间关联性，这种效应将被误差项吸收，造成误差项相关。如果忽略的因素外生性很强，如环境变量或是外生冲击等，其不会造成有偏性或是一致性等问题，因此在大样本下问题不严重，但其会影响估计效率。处理方法是将误差项设定为空间自回归，等于将其分解，一部分为空间自相关部分，则剩下的那部分就是白噪声了。举个例子，假如在城市某区域政府突然要建一个垃圾站，则将会整体拉低那篇区域的房价，使其变动表现出空间自相关性。假如在房价影响模型中你没有考虑这个影响（当然你可以设置虚拟变量或是加入与垃圾站的距离来予以考虑），则其影响就归入误差项中，统计上表现出来就是残差值的莫兰指数显著。
除了模型估计上的考虑外，有时候还想看一下邻居到底对自身有没有影响？如果有，是正向还是负向（通常为正向），影响效应到底有多大？这就是空间效应的识别，这是普通回归模型所做不到的。
基于上述三种空间效应的组合，可以得到7种不同形式的空间回归模型。这些模型中，用得比较多的是空间滞后模型（SLM）、空间误差模型（SEM）和空间杜宾模型（SDM）。
