Aprender haciendo es mi forma preferida. Y cuando se trata de estadísticas espaciales, R se está convirtiendo en una herramienta muy poderosa. Entonces, si esta es una opción, explore algunos materiales del curso, descargue los datos y pruébelo usted mismo.
Pocos puntos de partida que cubren la autocorrelación espacial (SA) (y, en general, el manejo de material espacial en R):
El Centro de Estudios en Demografía y Ecología (CSDE) de la Universidad de Washington proporciona materiales del taller Spatial R.
El Instituto de Ciencias Sociales Cuantitativas de la Universidad de Harvard tiene materiales del taller de Estadística espacial aplicada en R que cubre SA.
El Departamento de Geografía de la Universidad de Colorado ofrece materiales sobre SA como parte de su curso de Introducción a los métodos cuantitativos .
Una vez que se familiarice con R, puede acoplarlo con PostgreSQL utilizando PL / R - Lenguaje de procedimiento R para PostgreSQL , pero no puedo comentarlo ya que no conozco el tema.
Python podría ser otra alternativa. PySAL es una biblioteca activamente desarrollada y bien documentada que le permitirá implementar toda la funcionalidad de GeoDa, incluida SA (y lo más probable, incluso más). Python y Postgres suelen ser buenos amigos, por lo que si inviertes algo de tiempo, lo más probable es que también te cases con ellos.