简短的答案：

1）正如您所说，两者之间的区别仅在于空间结构。

2）很多人都在努力寻找两者之间的等效数学公式，尤其是在贝叶斯框架中。例如参见 Lindgren 的论文 Rue 的工作http://www.math.ntnu.no/inla/r-inla.org/papers/spde-jrssb-revised.pdf

3）我不明白怎么做。如果使用空间自回归模型，对于区域中的每个点，您预测相同的值，而使用克里金法，整个区域的平均值相同但过程的值不同，您为每个点预测不同的值

长答案：

显然，由于这两个过程是由空间相互作用/结构的类型定义的，因此它们是截然不同的。在空间自回归模型中，两个空间点$Y_1$和$Y_2$如果它们在某种意义上是接近的，则它们是依赖的。作为一个例子，我们可以考虑两种状态，状态发生了什么$Y_2$可能取决于发生的事情$Y_1$仅当它们共享边界时。通常，要指定空间自回归模型，您还必须指定邻近矩阵（或邻域）。从计算的角度来看，空间自回归模型很方便，因为观测值之间的协方差矩阵是一个稀疏矩阵，如果我们需要它的反演，这可以有效地完成。另一方面，使用这种模型，我们无法预测某些未观察到的位置上的过程值，因为我们无法估计它们之间的相关性。这种模型（自动模型）应该只用于空间离散的过程，即它的实现只能在特定的位置上观察到，但它们也可以用于连续的过程。

在克里金模型中，我们假设依赖关系是连续的，在$Y_1$和$Y_2$相关性通常取决于观测值之间的距离，如果它们接近，则相关性更高。使用此模型，我们能够对新位置进行预测，因为我们知道新位置上的过程与观察到的过程之间的相关值（取决于距离）。另一方面，在这种情况下，协方差矩阵不是稀疏的，除非您使用在一定距离后变为零的相关函数，否则它的求逆是计算密集型的。

由于空间自回归模型（或一般的自动模型）的计算优势，有些人开始考虑用离散过程近似连续过程的可能性，我上面链接的 Lindgren 的论文是最好的结果之一这个领域。

如果您需要一些解释自回归模型和克里金法的书，我建议您对空间数据进行分层建模和分析（http://www.amazon.com/Hierarchical-Modeling-Monographs-Statistics-Probability/dp/158488410X）