空间计量模型_截面数据空间计量模型空间误差模型及Stata操作和应用
前言
空间分析起源于地理学、空间经济学和相关学科。到目前为止,它被认为是专业的领域,因此不是大多数统计软件的标准部分。就stata而言,有许多用户编写的工具可以从ssc服务器或其他来源下载。例如shp2dtasppack,使用ssc下载,包含spmat, spreg和spivreg使用search spatwmat下载spatwmat使用search……下载spatgsa, spatlsa和spatcorr使用search… 下载spatdiag和spatreg注意,还有一些其他的包没有在这里描述。2
空间自相关的统计
有全局和局部的统计数据。最常见的是Moran's I(同时具有全局和本地版本),但是也可以计算其他一些统计数据。命令为:spatgsa y, weights(w-matrix) moran将计算y的全局莫兰指数。该变量是(空间)数据库文件的一部分(该文件应该是您当前的工作文件或主文件),计算使用spatwmat创建的权值矩阵w-矩阵。如果在被调查的变量中有任何缺失的值,将不计算任何统计数据(没有给出任何理由!)spatlsa y, weights(w-matrix) moran id(id-var)将计算y的局部莫兰指数。该变量是(空间)数据库文件的一部分(该文件应该是您当前的工作文件或主文件),计算使用spatwmat创建的权值矩阵w-矩阵。变量id-var(它是观察的唯一特征)用于识别输出中的观察值。选项moran将输出限制为Moran's I.参见其他统计信息的help函数(或者省略此选项,在这种情况下,您将得到几个统计信息)。注意,如果某个变量中有缺失的值,则不会计算任何统计信息。3
截面数据空间计量模型-空间误差模型及Stata操作和应用
Spatreg及spregsem
spatreg过程需要一个空间权矩阵加上一个与此矩阵相关的特征值向量;这两者都可以由Pisani的spatwmat计算(如果您的数据允许的话)。spatreg可以估计空间滞后和空间误差模型。基本的命令是:
spatreg depvar indepvars, weights(w-matrix) eigenval(e-vector) model(lag)
或者
spatreg depvar indepvars, weights(w-matrix) eigenval(e-vector) model(error)
另外还有一个命令为spregsem,spregsem:最大似然估计空间误差截面回归模型
spregsem估计了MLE空间误差截面回归模型。
spregsem可以估计以下模型:1-干扰项的异方差回归模型。2-扰动项下的非正态回归模型。spregsem估计了tobit的连续和截断因变量模型。
spregsem处理连续或截断的因变量数据。如果depvar缺少值或下限,那么在这种情况下spregsem将适合利用tobit模型建立了空间横截面模型,从而解决了多种数据中存在的缺值问题。否则,在本例中对于连续数据,采用正态估计。
spregsem可以生成:-二进制/标准化权重矩阵。逆/逆平方标准化权重矩阵。二进制/标准化/逆特征值变量。
由于是一个外部命令,因此需要先安装下载。
语法格式为:
spregsem depvar indepvars [weight] , wmfile(weight_file) [ lmspac lmhet lmnorm diag tests stand inv inv2 dist(norm|exp|weib) mfx(lin, log) predict(new_var) resid(new_var) iter(#) tech(name) ll(real 0) tobit coll zero tolog nolog level(#) vce(vcetype) maximize other maximization options ]
选项含义为:
depvar表示被解释变量
indepvars 表示解释变量
wmfile(weight_file) 表示导入权重矩阵
inv使用逆标准化权重矩阵(1/W)
inv2 使用反平方标准化权重矩阵(1/W^2)
zero将缺失值的观测值转换为0
coll 保持共线变量;默认移除共线变量
nolog不显示迭代次数
robust表示Huber-White标准误差
level,表示置信区间水平;默认是95%水平
4
操作案例
下述数据,data包含美国俄亥俄州哥伦布市49个社区的社区编号id、犯罪率crime、房价hoval与家庭收入income的数据,WM权重矩阵包含这49个社区基于相邻关系的空间权重矩阵
代码为:
. use data.dta. spregsem crime hoval income, wmfile(WM)==============================================================================*** Binary (0/1) Weight Matrix: 49x49 (Non Normalized)==============================================================================initial: log likelihood = -187.42512rescale: log likelihood = -187.42512rescale eq: log likelihood = -187.42512Iteration 0: log likelihood = -187.42512 Iteration 1: log likelihood = -182.93155 Iteration 2: log likelihood = -182.41948 Iteration 3: log likelihood = -182.4163 Iteration 4: log likelihood = -182.4163 ==============================================================================* MLE Spatial Error Normal Model (SEM)============================================================================== crime = hoval + income------------------------------------------------------------------------------ Sample Size = 49 Wald Test = 15.1345 | P-Value > Chi2(2) = 0.0005 F-Test = 7.5673 | P-Value > F(2 , 47) = 0.0014 (Buse 1973) R2 = 0.2476 | Raw Moments R2 = 0.8632 (Buse 1973) R2 Adj = 0.2316 | Raw Moments R2 Adj = 0.8603 Root MSE (Sigma) = 14.6675 | Log Likelihood Function = -182.4163------------------------------------------------------------------------------- R2h= 0.5514 R2h Adj= 0.5419 F-Test = 28.27 P-Value > F(2 , 47) 0.0000- R2v= 0.4082 R2v Adj= 0.3956 F-Test = 15.86 P-Value > F(2 , 47) 0.0000------------------------------------------------------------------------------ | Coef. Std. Err. z P>|z| [95% Conf. Interval]-------------+----------------------------------------------------------------crime | hoval | -.2614938 .0916798 -2.85 0.004 -.4411829 -.0818046 income | -1.301729 .3236859 -4.02 0.000 -1.936142 -.667316 _cons | 54.92599 6.053747 9.07 0.000 43.06086 66.79111-------------+---------------------------------------------------------------- /Lambda | .035006 .0111665 3.13 0.002 .01312 .056892 /Sigma | 9.981965 1.008532 9.90 0.000 8.005279 11.95865------------------------------------------------------------------------------ LR Test SEM vs. OLS (Lambda=0): 9.8276 P-Value > Chi2(1) 0.0017 Acceptable Range for Lambda: -0.3229 < Lambda < 0.1693------------------------------------------------------------------------------. est-------------------------------------------------------------------------------------------------------------------------active results-------------------------------------------------------------------------------------------------------------------------SEM1n Number of obs = 49 LR chi2(2) = 9.92Log likelihood = -182.4163 Prob > chi2 = 0.0070------------------------------------------------------------------------------ | Coef. Std. Err. z P>|z| [95% Conf. Interval]-------------+----------------------------------------------------------------crime | hoval | -.2614938 .0916798 -2.85 0.004 -.4411829 -.0818046 income | -1.301729 .3236859 -4.02 0.000 -1.936142 -.667316 _cons | 54.92599 6.053747 9.07 0.000 43.06086 66.79111-------------+----------------------------------------------------------------Lambda | _cons | .035006 .0111665 3.13 0.002 .01312 .056892-------------+---------------------------------------------------------------- /Sigma | 9.981965 1.008532 9.90 0.000 8.005279 11.95865------------------------------------------------------------------------------. est store spregsem
下面使用spatreg命令进行相关操作,结果为:
代码为:
. spatwmat using WM.dta,name(W) eigenval(E)The following matrices have been created:1. Imported binary weights matrix W Dimension: 49x492. Eigenvalues matrix E Dimension: 49x1. *空间误差模型. spatreg crime hoval income, weights(W) eigenval(E) model(error)initial: log likelihood = -187.42512rescale: log likelihood = -187.42512rescale eq: log likelihood = -187.42512Iteration 0: log likelihood = -187.42512 Iteration 1: log likelihood = -182.82117 Iteration 2: log likelihood = -182.27247 Iteration 3: log likelihood = -182.26824 Iteration 4: log likelihood = -182.26823 Weights matrix Name: W Type: Imported (binary) Row-standardized: NoSpatial error model Number of obs = 49 Variance ratio = 0.402 Squared corr. = 0.551Log likelihood = -182.26823 Sigma = 9.98------------------------------------------------------------------------------ crime | Coef. Std. Err. z P>|z| [95% Conf. Interval]-------------+----------------------------------------------------------------crime | hoval | -.2605768 .0917459 -2.84 0.005 -.4403954 -.0807582 income | -1.289794 .3255491 -3.96 0.000 -1.927858 -.6517291 _cons | 54.45472 6.149929 8.85 0.000 42.40108 66.50836-------------+---------------------------------------------------------------- lambda | .0361054 .0114345 3.16 0.002 .0136943 .0585165------------------------------------------------------------------------------Wald test of lambda=0: chi2(1) = 9.970 (0.002)Likelihood ratio test of lambda=0: chi2(1) = 10.218 (0.001)Lagrange multiplier test of lambda=0: chi2(1) = 6.804 (0.009)Acceptable range for lambda: -1.536 < lambda < 1.000. est store sem. end of do-file
对上述结果进行对比,代码结果为:
空间计量模型_截面数据空间计量模型空间误差模型及Stata操作和应用相关推荐
- MATLAB截面数据空间计量模型代码②
1.经纬度坐标生成基于地理邻接矩阵 2.绘制侦察图 3.利用经纬度坐标生成基于距离的空间权重矩阵 4.利用经纬度坐标生成基于门槛距离的空间权重矩阵 5.利用经纬度坐标生成K个最近邻居的空间权重矩阵 6 ...
- 怎么做 空间杜宾模型_面板数据空间杜宾模型
4.3.1 模型及估计 (1) 无固定效应模型 当SAR和SEM模型在一定的显著性水平下同时成立时,我们需要进一步考虑面板数据空间杜宾模型,即解释变量的空间滞后项影响被解释变量时,就应该考虑建立空间杜 ...
- 机器学习结构化学习模型_生产化机器学习模型
机器学习结构化学习模型 The biggest issue in the life-cycle of ML project isn't to create a good algorithm or to ...
- 一般线性模型和线性回归模型_您的线性回归模型指南
一般线性模型和线性回归模型 Interpretability is one of the biggest challenges in machine learning. A model has mor ...
- 软件工程生命周期模型_软件生命周期模型比较| 软件工程
软件工程生命周期模型 软件生命周期模型 (Software Lifecycle Models) There are five software lifecycle models that are co ...
- 非期望产出的sbm模型_线性模型 vs. Logistic模型——离散选择模型之二
前言:为什么因变量是分类变量的时候,我们会选择Logistic模型.而非最常见的线性回归模型?或者,换个说法:线性回归模型的劣势是什么?Logistic模型的优势又是什么?--针对这些问题,本文为您详 ...
- [并发并行]_[线程模型]_[Pthread线程使用模型之一管道Pipeline]
场景 1.经常在Windows, MacOSX 开发C多线程程序的时候, 经常需要和线程打交道, 如果开发人员的数量不多时, 同时掌握Win32和pthread线程 并不是容易的事情, 而且使用Win ...
- sketchup 图片转模型_图片转换su模型的速成方法-建筑软件-筑龙建筑设计论坛
刚刚做中式模型,感觉描图拉伸模型太费劲,想了个办法用软件转换,虽然步骤多了些,但感觉效果还是不错的,下面粗略的讲讲.抛砖引玉哈,大家多提意见. 首先上图,说明一下大概的流程: 1.[ps阶段]首先选取 ...
- mysql学生选课系统的关系模型_数据库系统原理ER模型与关系模型
数据库系统是软件的一种,数据库系统自然而然也有他自己的生命周期生存期.它的生存期从规划开始,一直到将它卸载不用了.它的中间过程很复杂,为了实现用户的想法,数据库有关人员将现实生活中的数据进行抽象,然后 ...
最新文章
- 【深度学习理论】通俗理解生成对抗网络GAN
- 怎么调用获取被创建的预制体_Uber 开源 Plato:扩展性极强的开发测试会话 AI 平台,可实现多智能体并行训练...
- 嵌入式Linux教程:安装VMware Tools VMware Tools显示灰色解决方法
- 拥有至高无上的特权 使用system账户
- windows iis 部署 django项目
- ie6 z-index不起作用的解决方法
- php事务基本要素,数据库事务正确执行的四个基本要素
- 同花顺 sendmessage python_进程通信-SendMessage使用方法
- web开发:css基础
- 机器人技术创新与实践旧版本大纲
- 使用J-link+J-Flash给STM32芯片烧写序列号
- 微信公众平台基础开发--禾今微信投票系统
- 12x12怎么速算_12x12怎么速算_12x12怎样巧算
- 寻找四叶草HTML5小游戏,寻找四叶草作文(8篇)
- 概率论---古典概型
- 2011年美國動畫圈薪資調查
- Windows恢复环境启动失败,重新配置WinRE
- Java爬虫获取豆瓣的短评数据
- Amazon CodePipeline 与 GitHub 集成
- 在 Linux 终端下生成随机/强密码的五种方法 | Linux 中国