引言

最近在网上搜索有关空间误差模型的方法，看到的最多的就是https://editor.csdn.net/md/?not_checkout=1&spm=1001.2014.3001.5352链接下的经验分享，分享的内容很简洁，操作步骤很简单，但是有些细节可能没有讲到，我想通过一个案例对该方法进行充实一下。学习和整理期间也参考了一些书，在中国知网上搜索、下载和学习了一些文章，引用文献放在本文的最后。

方法介绍

本文在这里不做方法原理的探讨，主要想解决三个方面的问题：①分析的流程；②模型的选择；③参数解释。
一开头，我想给出我们使用SEM或者SLM的意义，那就是若要用SEM或者是SLM，需要给出一个为什么不用经典回归模型（OLS）的理由。我们都知道，经典最小二乘法在不引入空间权重进行空间变量的回归分析时，是不考虑变量的位置信息的，所以对于要素在空间中的集聚、扩散等空间维度的效应是无法考虑在内的，而SEM和SLM是考虑了空间要素信息的。那么，从笔者对该方法的认识来看，我要用SEM或者SLM就意味着SEM和SLM在表达空间信息时是要比OLS更加显著的，这就是我们要用SEM或者SLM的理由。

分析的流程

接着上面的说，我把第1步叫作方法的引子（我自己觉得这样讲比较形象）。前提条件那就是对所要分析的因变量进行一个空间自相关的分析（空间自相关网上一大堆），先要证明我们所要分析的这个东西是一个具有空间依赖性（要素集聚，冷点热点）。

第2步是依据OLS法的一些基本描述信息和经典拟合优度得出对OLS法的一个基本判断，这些虽然都不是采用SEM和SLM的充分条件，但是却很必要（注意这里是不添加空间权重的OLS回归）。包括R²，Intercept、Coefficient、Akaike info criterion(AIC)、Schwarz criterion（SC）以及Log likelihood(LogL)等。下图这是我运行的结果

第3步是对因变量和自变量残差的一个空间自相关的描述，算是使用SEM和SLM的一个充分条件，借此说明残差存在明显的空间依赖性，也就是有必要采用更加深入的模型去揭示空间规律。图中Spatial autocorrelation test of residuals的部分。

第4步是使用SEM和SLM更加充分的条件，即对Breusch-Pagan 检验和 Koenker-Bassett 检验结果的解释。注意下图中P均不显著（这正是我们不采用OLS的理由）。

第5步是考虑空间效应的OLS分析，通过建立空间权重，然后会默认计算空间滞后、空间误差、空间自回归移动平均的拉格朗日乘子统计量，这个统计量的结果是是否使用SEM或者SLM的最关键的充分条件。最终依据拉格朗日乘子统计量得出用哪种空间计量模型。

第6步是进行SEM或者SLM的空间计量分析。观察R²，Intercept、Coefficient、Akaike info criterion(AIC)、Schwarz criterion（SC）以及Log likelihood(LogL)与OLS的异同。

第7步，基于模型的结果给出自变量和因变量的相关性解释，或者引申的因果解释。

模型的选择

这一部分其实是对分析流程第5步的拆解。
如图所示，给出的第一个统计量是Moran’I(error)，并且列出了标准化的Z值和P值，虽然这里P＜0.01，具有显著性，即在没有空间自相关时，Moran’I指数拒绝原假设，说明统计量具有空间关联。然而，这不不能让我们了解SEM或者SLM能否合理地进行空间回归。接着我们需要依靠拉格朗日乘子统计量的结果来作下一步的分析。
基于拉格朗日检验，即 Lagrange Multiplier（LM） test，通过判断 LM-Lag 和 LM-Error 的显著性来判断选择哪种空间模型最优。当 LM-Lag 和 LM-Error 的统计量都不显著时，说明变量间不存在空间关系，不适合用空间计量模型来进行分析，可直接采用最小二乘法进行分析。当LM-Lag显著，LM-Error不显著时，使用空间滞后模型（SLM）；当 LM-Lag 不显著，LM-Error显著时，使用空间误差模型（SEM）；两者都显著时，需要进行稳健性拉格朗日检验，即Robust LM-test，得到 Robust LM-Lag 和 Robust LM-Error两个统计量，Robust LM-Lag显著则使用空间滞后模型（SLM），Robust LM-Error则使用空间误差模型（SEM），两个都显著，则使用空间杜宾模型（SDM）（这个不在我们讨论的范围内）。

参数的解释

因为本身不是空间计量出身的，所以对参数的解释不是很专业，但基本能说明白各个参数的用途和使用方法。
模型的选择介绍了一部分了，Robust LM （Error）和 Robust LM （Lag）反映空间相关关系的，若通
过检验，说明用空间误差模型和空间滞后模型能反映空间相关关系。
还有一些，拟合优度R²、对数似然函数值(Log likelihood)越大，赤池信息准则(AIC)和施瓦茨准则(SC)越小，则模型拟合效果越好，这些在在 LMLAG 和 LMERR 统计量无法判断模型 SLM、SEM和OLS模型优劣的情况下可以参考。
Breusch-Pagan 用来检验异方差问题，没有通过显著检验，接受零假设，不存在异方差问题。
Jarque-Bera test 是检验模型是否符合正态分布，没通过显著检验，接受零假设，符合正态分布。

案例所涉及的方法的详细解读可以参看《空间计量分析软件Geoda、GeoDaSpace和PySAL操作手册》一书。本文主要对该书中的参数解释有所引用。
另外，参考文献如下，
[1]陈瑶,陈湘满.房价、房价收入比对中国城镇化的影响与空间效应实证分析[J].经济地理,2021,41(04):57-65.DOI:10.15957/j.cnki.jjdl.2021.04.008.
[2]崔娜娜,冯长春,宋煜.北京市居住用地出让价格的空间格局及影响因素[J].地理学报,2017,72(06):1049-1062.
[3]马国霞,徐勇,田玉军.京津冀都市圈经济增长收敛机制的空间分析[J].地理研究,2007(03):590-598.

基于Geoda的经典空间回归模型（OLS）、空间误差模型（SEM）和空间迟滞模型（SLM）相关推荐

基于多篇经典论文综述Attention模型方法（附源码）
来源:PaperWeekly 本文约4163字,建议阅读8分钟. 本文基于几篇经典的论文,对 Attention 模型的不同结构进行分析.拆解. 先简单谈一谈 attention 模型的引入.以基于 ...
matlab空间截面回归,截面空间回归模型操作应用手册
原标题:截面空间回归模型操作应用手册 SAR模型数据集包含对地理区域或其他单元的观测;所以需要的是有一些距离的度量标准来区分哪些单位彼此之间比较近. spregress命令对横断面数据进行建模.它要求 ...
Eviews基于多元回归模型OLS的CPI影响因素分析
全文链接:http://tecdat.cn/?p=32104 2015年以来,通货膨胀越来越成为我国的重要经济现象.作为衡量通货膨胀的主要指标,CPI(消费者物价指数)与人们的生活具有最密切的关系(点 ...
ML之LoR：基于信用卡数据集利用LoR逻辑回归算法实现如何开发通用信用风险评分卡模型之以toad框架全流程讲解
ML之LoR:基于信用卡数据集利用LoR逻辑回归算法实现如何开发通用信用风险评分卡模型之以toad框架全流程讲解目录基于信用卡数据集利用LoR逻辑回归算法实现如何开发通用信用风险评分卡模型之以to ...
基于GeoDa软件的省级人口经济空间分析
前言本为从地统计学角度,借助空间自相关的方法,从县域尺度,研究江西省各县经济发展水平之间的相关关系,及经济发展与人口之间的相关关系,直观的说明江西省2000年的经济发展状况.通过对各市第一.第二.第 ...
ML之LoR：基于信用卡数据集利用LoR逻辑回归算法实现如何开发通用信用风险评分卡模型之以scorecardpy框架全流程讲解
ML之LoR:基于信用卡数据集利用LoR逻辑回归算法实现如何开发通用信用风险评分卡模型之以scorecardpy框架全流程讲解目录基于信用卡数据集利用LoR逻辑回归算法实现如何开发通用信用风险评分 ...
深化学习（RL）概念应用以及基于表格型、神经网络型、策略梯度、连续动作空间求解RL
深化学习(RL)概念应用以及基于表格型.神经网络型.策略梯度.连续动作空间求解RL 目录一.概念以及应用二.基于表格型求解RL--Sarsa和learning 表格型方法--Sarsa 1. Sa ...
高光谱解混（一）——高光谱分解综述：基于几何，统计和稀疏回归的方法
高光谱解混综述论文精读笔记/一摘要引言线性和非线性混合模型非线性解混方法的简要综述高光谱解混处理流程章节安排 Reference 摘要成像光谱仪优点:成像光谱仪以更高的光谱分辨率同时测量 ...
基于matlab数据线性拟合回归
1 选题背景及意义在统计学中,线性回归是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析.这种函数是一个或多个称为回归系数的模型参数的线性组合.只有一个自变 ...

基于Geoda的经典空间回归模型（OLS）、空间误差模型（SEM）和空间迟滞模型（SLM）

引言

方法介绍

分析的流程

模型的选择

参数的解释

基于Geoda的经典空间回归模型（OLS）、空间误差模型（SEM）和空间迟滞模型（SLM）相关推荐

最新文章

热门文章