【计量】空间杜宾模型代码
空间计量经济学基本模型
精品课件
➢空间误差模型（Spatial Error Model, SEM）
y X u u Wu
~ (0, 2I n )
* 参照时间序列误差自相关的叫法，空间误差模型 也被称作空间自相关模型（Spatial Autocorrelation Model），简记为SAC模型。
精品课件
问题：
练◦ 习考虑空间溢出效应的地区人均GDP影响因素 分析
数据文件：
◦ china.shp
论文提纲
◦ 全局MoranI检验 ◦ 局部Moran I检验 ◦ 回归分析 ◦ 运用三类不同的w分别做出结果，选最好的。
精品课件
精品课件
➢OLS、SLM、SEM的选择
Run OLS
精品课件
➢选择标准及步骤
✓1、做一次OLS估计
✓2、对比LM统计量，LM-Lag和LM-Error
✓3、若均不显著，则无需进行空间计量分析
✓4、若只有一个显著，则设定为与显著统计量 对应的空间计量模型
✓5、若均显著，再对比Robust LM-Lag和 Robust LM-Error
精品课件
➢空间杜宾误差模型（SDEM）
y W1y X1 W1X2 u u W2u ~ (0,2In)
* SDEM模型是SLM、SEM、SDM的综合，比GSAR更一般化。
* β2=0，λ=0，SDEMSLM; * β2=0，ρ=0，SDEMSEM; * λ=0，SDEMSDM;
* β2=0，SDEMGSAR;
精品课件
精品课件
精品课件
经济学中的空间计量模型
经济学中的空间计量模型一、空间计量模型概述空间计量模型是指将空间因素引入计量经济学模型中的一种方法。
空间计量模型通常用于研究空间相关性对经济现象的影响。
空间相关性是指位置相近的地区之间存在的相互依赖关系或者相互作用。
二、空间计量模型的基本形式空间计量模型的基本形式可以表示为：Y=ρWy + Xβ + ε其中，Y表示被解释变量，X表示非空间自变量，W表示空间自变量的邻接矩阵，ε代表误差项，ρ是空间相关系数，β是非空间自变量的系数。
空间自变量通常是指与地理位置有关的变量，比如距离、地理位置等。
三、空间计量模型的类别1. 空间自回归模型（Spatial Autoregression Model，SAR）SAR模型是最简单的空间计量模型之一。
SAR模型的核心思想是，与某一地区相邻的地区之间存在相互影响，这种影响可以通过在模型中引入空间自回归项来体现。
SAR模型通常用于研究空间依赖性的影响，比如一个地区的影响对相邻地区的经济发展状况的影响。
2. 空间误差模型（Spatial Error Model，SEM）SEM模型是一种常用的空间计量模型，其核心思想是每个地区的误差项受周围地区的误差项的影响。
SEM模型和SAR模型的区别在于，SEM模型中的空间相关性体现在误差项当中，而SAR模型中的空间相关性体现在自变量中。
3. 空间Durbin模型（SDM）SDM模型是SAR模型和SEM模型的综合体，其核心思想是同时考虑空间自回归和空间误差，在模型中引入两个空间因素项。
SDM模型通常用于研究空间因素对社会、经济现象的影响。
四、空间计量模型的应用场景空间计量模型有许多的应用场景，比如城市规划、环境保护、地区经济发展等领域。
1. 研究城市规划城市规划通常需要考虑到不同城市之间的相互依赖关系。
比如，周围地区的经济状况和城市的经济发展状况相关，不同城市之间的人口流动也会影响城市的规划。
这时候可以采用空间计量模型，来研究城市规划对相邻地区的影响。
利用STATA创建空间权重矩阵与空间杜宾模型计算----命令
** 创建空间权重矩阵介绍*设置默认路径cd C:\Users\xiubo\Desktop\F182013.v4\F101994\sheng** 创建新文件*shp2dta:reads a shape (.shp) and dbase (.dbf) file from disk and converts them into Stata datasets.*shp2dta: 读取CHN_adm1 文件*CHN_adm1：为已有的地图文件*database (chinaprovince) ：表示创建一个名称为“chinaprovince ”的dBase数据集*database(filename) ：Specifies filename of new dBase dataset*coordinates(coord) ：创建一个名称为“coord”的坐标系数据集*coordinates(filename) ：Specifies filename of new coordinates dataset*gencentroids(stub) ：Creates centroid variables*genid(newvarname) ：Creates unique id variable for database.dtashp2dta using CHN_adm1,database (chinaprovince) coordinates(coord) genid(id) gencentroids(c)** 绘制2016 年中國GDP分布圖*spmap:Visualization of spatial data*clnumber(#):number of classes*id(idvar):base map polygon identifier( 识别符，声明变量名，一般以字母或下划线开头，包含数字、字母、下划线)*_2016GDP：变量*coord: 之前创建的坐标系数据集spmap _2016GDP using coord, id(id) clnumber(5)*更改变量名rename x_c longituderename y_c latitude** 生成距离矩阵*spmat: 用于定义与管理空间权重矩阵*Spatial-weighting matrices are stored in spatial-weighting matrix objects (spmat objects).*spmat objects contain additional information about the data used in constructing spatial-weighting matrices.*spmat objects are used in fitting spatial models; see spreg (if installed) and spivreg (if installed).*idistance:( 产生距离矩阵)create an spmat object containing an inverse-distance matrix W*或contiguity:create an spmat object containing a contiguity matrix W*idistance_jingdu: 命名名称为“idistance_jingdu ”的距離矩陣*longitude: 使用经度*latitude: 使用纬度*id(id): 使用id*dfunction(function[, miles]):( 设置计算距离方法)specify the distance function.*function may be one of euclidean (default), dhaversine, rhaversine, or the Minkowski distanceof order p, where p is an integer greater than or equal to 1.*normalize(row): （行标准化）specifies one of the three available normalization techniques: row, minmax, and spectral.*In a row-normalized matrix, each element in row i is divided by the sum of row i's elements.*In a minmax-normalized matrix, each element is divided by the minimum of the largest rowsum and column sum of the matrix.*In a spectral-normalized matrix, each element is divided by the modulus of the largest eigenvalue of the matrix.spmat idistance idistance_jingdu longitude latitude, id(id) dfunction(euclidean) normalize(row)** 保存stata 可读文件idistance_jingdu.spmatspmat save idistance_jingdu using idistance_jingdu.spmat** 将刚刚保存的idistance_jingdu.spmat 文件转化为txt 文件spmat export idistance_jingdu using idistance_jingdu.txt** 生成相邻矩阵spmat contiguity contiguity_jingdu using coord, id(id) normalize(row)spmat save contiguity_jingdu using contiguity_jingdu.spmatspmat export contiguity_jingdu using contiguity_jingdu.txt** 计算Moran’s I*安装spatwmat*spatwmat: 用于定义空间权重矩阵*spatwmat:imports or generates the spatial weights matrices required by spatgsa, spatlsa, spatdiag, and spatreg.*As an option, spatwmat also generates the eigenvalues matrix required by spatreg.*name(W): 读取空间权重矩阵W*name(W): 使用生成的空间权重矩阵W*xcoord:x 坐标*ycoord:y 坐标*band(0 8): 宽窗介绍*band(numlist) is required if option using filename is not specified.*It specifies the lower and upper bounds of the distance band within which location pairs mustbe considered "neighbors" (i.e., spatially contiguous)*and, therefore, assigned a nonzero spatial weight.*binary:requests that a binary weights matrix be generated. To this aim, all nonzero spatial weights are set to 1.spatwmat, name(W) xcoord(longitude) ycoord(latitude) band(0 8)*安装绘制Moran ’s I 工具:splagvar*splagvar --- Generates spatially lagged variables, constructs the Moran scatter plot,*and calculates global Moran's I statistics.*_2016GDP：使用变量_2016GDP*wname(W): 使用空间权重矩阵W*indicate the name of the spatial weights matrix to be used*wfrom(Stata):indicate source of the spatial weights matrix*wfrom(Stata | Mata) indicates whether the spatial weights matrix is a Stata matrix loaded inmemory or a Mata file located in the working directory.*If the spatial weights matrix had been created using spwmatrix it should exist as a Stata matrixor as a Mata file.*moran(_2016GDP): 计算变量_2016GDP 的Moran's I 值*plot(_2016GDP): 构建变量_2016GDPMoran 散点图splagvar _2016GDP, wname(W) wfrom(Stata) moran(_2016GDP) plot(_2016GDP)=============================================================================== ** 使用距离矩阵计算空间计量模型*设置默认路径cd 软件学习软件资料\stata\stata 指导书籍命令陈强高级计量经济学及stata 应用（第二版）全部数据*使用product.dta 数据集（陈强的高级计量经济学及其stata 应用P594）*将数据集product.dta 存入当前工作路径use product.dta , clear*创建新变量，对原有部分变量取对数gen lngsp=log(gsp)gen lnpcap=log(pcap)gen lnpc=log(pc)gen lnemp=log(emp)*将空间权重矩阵usaww.spat 存入当前工作路径spmat use usaww using usaww.spmat*使用聚类稳健的标准误估计随机效应的SDM 模型xsmle lngsp lnpcap lnpc lnemp unemp,wmat(usaww) model(sdm)robust nolog*使用选择项durbin(lnemp) ，不选择不显著的变量，使用聚类稳健的标准误估计随机效应的SDM 模型xsmle lngsp lnpcap lnpc lnemp unemp,wmat(usaww) model(sdm) durbin(lnemp) robust nolognoeffects*使用选择项durbin(lnemp) ，不选择不显著的变量，使用聚类稳健的标准误估计固定效应的SDM 模型xsmle lngsp lnpcap lnpc lnemp unemp,wmat(usaww) model(sdm) durbin(lnemp) robust nolognoeffects fe*存储随机效应和固定效应结果qui xsmle lngsp lnpcap lnpc lnemp unemp,wmat(usaww) model(sdm) durbin(lnemp) r2 nolog noeffects reest sto requi xsmle lngsp lnpcap lnpc lnemp unemp,wmat(usaww) model(sdm) durbin(lnemp) r2 nolog noeffects feest sto fe*esttab: 将保存的结果汇总到一张表格中*b(fmt):specify format for point estimates*beta[(fmt)]:display beta coefficients instead of point est's*se[(fmt)]:display standard errors instead of t statistics*star( * 0.1 ** 0.05 *** 0.01): 标记不同显著性水平对应的P 值*r2|ar2|pr2[(fmt)]:display (adjusted, pseudo) R-squared*p[(fmt)]:display p-values instead of t statistics*label:make use of variable labels*title(string):specify a title for the tableesttab fe re , b se r2 star( * 0.1 ** 0.05 *** 0.01)*hausman 检验*进行hausman 检验前，回归中没有使用稳健标准误(没用“r”),*是因为传统的豪斯曼检验建立在同方差的前提下*constant:include estimated intercepts in comparison; default is to exclude*df(#):use # degrees of freedom*sigmamore:base both (co)variance matrices on disturbance variance estimate from efficient estimator*sigmaless:base both (co)variance matrices on disturbance variance estimate from consistent estimatorhausman fe re** 有时我们还会得到负的chi2 值,即chi2<0，表明模型不能满足Hausman 检验的渐近假设。
利用STATA创建空间权重矩阵及空间杜宾模型计算----命令
** 创建空间权重矩阵介绍*设置默认路径cd C:\Users\xiubo\Desktop\F182013.v4\F101994\sheng**创建新文件*shp2dta:reads a shape (.shp) and dbase (.dbf) file from disk and converts them into Stata datasets.*shp2dta:读取CHN_adm1文件*CHN_adm1：为已有的地图文件*database (chinaprovince)：表示创建一个名称为“chinaprovince”的dBase数据集*database(filename)：Specifies filename of new dBase dataset*coordinates(coord)：创建一个名称为“coord”的坐标系数据集*coordinates(filename)：Specifies filename of new coordinates dataset*gencentroids(stub)：Creates centroid variables*genid(newvarname)：Creates unique id variable for database.dtashp2dta using CHN_adm1,database (chinaprovince) coordinates(coord) genid(id) gencentroids(c)**绘制2016年中國GDP分布圖*spmap:Visualization of spatial data*clnumber(#):number of classes*id(idvar):base map polygon identifier(识别符，声明变量名，一般以字母或下划线开头，包含数字、字母、下划线)*_2016GDP：变量*coord:之前创建的坐标系数据集spmap _2016GDP using coord, id(id) clnumber(5)*更改变量名rename x_c longituderename y_c latitude**生成距离矩阵*spmat:用于定义与管理空间权重矩阵*Spatial-weighting matrices are stored in spatial-weighting matrix objects (spmat objects).*spmat objects contain additional information about the data used in constructing spatial-weighting matrices.*spmat objects are used in fitting spatial models; see spreg (if installed) and spivreg (if installed).*idistance:(产生距离矩阵)create an spmat object containing an inverse-distance matrix W*或contiguity:create an spmat object containing a contiguity matrix W*idistance_jingdu:命名名称为“idistance_jingdu”的距離矩陣*longitude:使用经度*latitude:使用纬度*id(id):使用id*dfunction(function[, miles]):(设置计算距离方法)specify the distance function.*function may be one of euclidean (default), dhaversine, rhaversine, or the Minkowski distance of order p, where p is an integer greater than or equal to 1.*normalize(row):（行标准化）specifies one of the three available normalization techniques: row, minmax, and spectral.*In a row-normalized matrix, each element in row i is divided by the sum of row i's elements.*In a minmax-normalized matrix, each element is divided by the minimum of the largest row sum and column sum of the matrix.*In a spectral-normalized matrix, each element is divided by the modulus of the largest eigenvalue of the matrix.spmat idistance idistance_jingdu longitude latitude, id(id) dfunction(euclidean) normalize(row)**保存stata可读文件idistance_jingdu.spmatspmat save idistance_jingdu using idistance_jingdu.spmat**将刚刚保存的idistance_jingdu.spmat文件转化为txt文件spmat export idistance_jingdu using idistance_jingdu.txt**生成相邻矩阵spmat contiguity contiguity_jingdu using coord, id(id) normalize(row)spmat save contiguity_jingdu using contiguity_jingdu.spmatspmat export contiguity_jingdu using contiguity_jingdu.txt**计算Moran’s I*安装spatwmat*spatwmat:用于定义空间权重矩阵*spatwmat:imports or generates the spatial weights matrices required by spatgsa, spatlsa, spatdiag, and spatreg.*As an option, spatwmat also generates the eigenvalues matrix required by spatreg.*name(W):读取空间权重矩阵W*name(W):使用生成的空间权重矩阵W*xcoord:x坐标*ycoord:y坐标*band(0 8):宽窗介绍*band(numlist) is required if option using filename is not specified.*It specifies the lower and upper bounds of the distance band within which location pairs must be considered "neighbors" (i.e., spatially contiguous)*and, therefore, assigned a nonzero spatial weight.*binary:requests that a binary weights matrix be generated. To this aim, all nonzero spatial weights are set to 1.spatwmat, name(W) xcoord(longitude) ycoord(latitude) band(0 8)*安装绘制Moran’s I工具:splagvar*splagvar --- Generates spatially lagged variables, constructs the Moran scatter plot,*and calculates global Moran's I statistics.*_2016GDP：使用变量_2016GDP*wname(W):使用空间权重矩阵W*indicate the name of the spatial weights matrix to be used*wfrom(Stata):indicate source of the spatial weights matrix*wfrom(Stata | Mata) indicates whether the spatial weights matrix is a Stata matrix loaded in memory or a Mata file located in the working directory.*If the spatial weights matrix had been created using spwmatrix it should exist as a Stata matrix or as a Mata file.*moran(_2016GDP):计算变量_2016GDP的Moran's I值*plot(_2016GDP):构建变量_2016GDPMoran散点图splagvar _2016GDP, wname(W) wfrom(Stata) moran(_2016GDP) plot(_2016GDP)=============================================================================== **使用距离矩阵计算空间计量模型*设置默认路径cd D:\软件学习软件资料\stata\stata指导书籍命令\陈强高级计量经济学及stata应用（第二版）全部数据*使用product.dta数据集（陈强的高级计量经济学及其stata应用P594）*将数据集product.dta存入当前工作路径use product.dta , clear*创建新变量，对原有部分变量取对数gen lngsp=log(gsp)gen lnpcap=log(pcap)gen lnpc=log(pc)gen lnemp=log(emp)*将空间权重矩阵usaww.spat存入当前工作路径spmat use usaww using usaww.spmat*使用聚类稳健的标准误估计随机效应的SDM模型xsmle lngsp lnpcap lnpc lnemp unemp,wmat(usaww) model(sdm)robust nolog*使用选择项durbin(lnemp)，不选择不显著的变量，使用聚类稳健的标准误估计随机效应的SDM模型xsmle lngsp lnpcap lnpc lnemp unemp,wmat(usaww) model(sdm) durbin(lnemp) robust nolog noeffects*使用选择项durbin(lnemp)，不选择不显著的变量，使用聚类稳健的标准误估计固定效应的SDM模型xsmle lngsp lnpcap lnpc lnemp unemp,wmat(usaww) model(sdm) durbin(lnemp) robust nolog noeffects fe*存储随机效应和固定效应结果qui xsmle lngsp lnpcap lnpc lnemp unemp,wmat(usaww) model(sdm) durbin(lnemp) r2 nolog noeffects reest sto requi xsmle lngsp lnpcap lnpc lnemp unemp,wmat(usaww) model(sdm) durbin(lnemp) r2 nolog noeffects feest sto fe*esttab:将保存的结果汇总到一张表格中*b(fmt):specify format for point estimates*beta[(fmt)]:display beta coefficients instead of point est's*se[(fmt)]:display standard errors instead of t statistics*star( * 0.1 ** 0.05 *** 0.01):标记不同显著性水平对应的P值*r2|ar2|pr2[(fmt)]:display (adjusted, pseudo) R-squared*p[(fmt)]:display p-values instead of t statistics*label:make use of variable labels*title(string):specify a title for the tableesttab fe re , b se r2 star( * 0.1 ** 0.05 *** 0.01)*hausman检验*进行hausman检验前，回归中没有使用稳健标准误(没用“r”),*是因为传统的豪斯曼检验建立在同方差的前提下*constant:include estimated intercepts in comparison; default is to exclude*df(#):use # degrees of freedom*sigmamore:base both (co)variance matrices on disturbance variance estimate from efficient estimator*sigmaless:base both (co)variance matrices on disturbance variance estimate from consistent estimatorhausman fe re**有时我们还会得到负的chi2值,即chi2<0，表明模型不能满足Hausman检验的渐近假设。
异质型环境规制对雾霾污染的影响——基于空间杜宾模型
近年来，雾霾污染的大面积常态化爆发严重影响了我国经济的可持续发展、公众健康和政府形象，加快治理雾霾污染已成为政府和民众关注的热点话题。
2013年1月，全国发生了四次严重雾霾污染事件，北京仅有五天不是雾霾天，东北地区雾霾污染甚至导致当地公共交通瘫痪，给民众的正常出行带来极大阻碍［1］。
2016年，我国338个地级及以上城市中，75.1%的城市空气质量超标，尤其是京津冀地区雾霾污染最为严重［2］。
雾霾天气会导致居民患呼吸、心脑血管等疾病的概率大大上升，甚至引发癌症，公众对空气污染可能带来的健康风险强烈关注［3-4］。
2017年我国环境保护部门受理的群众举报案件中，大气举报案达到案件总数的近六成［5］。
由于环境的公共物品属性和雾霾污染的空间溢出效应，仅仅依靠市场调节很难起到满意的治理效果。
因此，为了打赢蓝天保卫战，推动经济可持续健康发展，我们必须根据国情制定科学的雾霾治理政策，实行具有针对性的环境规制措施。
那么不同类型的环境规制工具是否以及如何影响雾霾污染？如何优化这些规制工具组合效应以更好地治理雾霾？针对这些问题，本文基于2000—2017年我国大陆地区（不含西藏）的省域面板数据，构建空间杜宾模型对异质型环境规制如何影响我国雾霾污染进行实证研究，以期为我国雾霾治理提供一些重要信息。
收稿日期：2021-01-05本刊网址·在线期刊：http ：///jhxs基金项目：全国统计科学研究项目“高质量发展视角下海洋生态福利绩效测度与提升路径研究”（2020LY03）；山东省社科规划项目“新时代山东省产业转型升级与生态文明建设融合发展研究”（18CJJJ32）；青岛市社科规划项目“青岛市生态文明建设与产业结构转型升级协调发展研究”（QDSKL2001064）作者简介：陈东景，男，山东成武人，青岛大学经济学院教授，博士生导师，E-mail ：***************；冷伯阳，女，陕西西安人，青岛大学经济学院硕士生，E-mail ：****************。
利用Stata命令进行空间杜宾模型分析
利用Stata命令进行空间杜宾模型分析标题：利用Stata命令进行空间杜宾模型分析介绍：在空间计量经济学领域，空间杜宾模型（Spatial Durbin Model）被广泛应用于探究空间依赖关系对经济现象的影响。
Stata作为一款常用的统计软件，提供了许多强大的命令来进行空间经济分析。
本文将介绍如何利用Stata命令进行空间杜宾模型的分析和解释。
一、概述空间杜宾模型是对传统杜宾模型的扩展，考虑了空间上的相互依赖关系。
其基本方程可以表示为：Y = ρWy + Xβ + λU + ε其中，Y是因变量，Wy表示空间邻近权重矩阵与因变量的乘积，X是自变量矩阵，β是参数向量，U是随机误差项，ε是空间误差项。
ρ和λ分别代表空间滞后和同时方程的空间依赖系数。
二、数据准备在Stata中进行空间杜宾模型的分析，首先要准备好需要的数据。
可以使用Stata的数据管理命令进行数据导入和转换，确保数据的一致性和准确性。
还需考虑到空间邻近权重矩阵的构建，可以使用Stata的空间数据分析命令来计算邻近矩阵。
三、模型估计利用Stata进行空间杜宾模型的估计，可以使用"splm"命令。
该命令提供了多种空间经济模型的估计方法，包括最小二乘法（OLS）、广义矩估计法（GMM）等。
在使用"splm"命令时，需要设定模型的形式和变量的选择。
四、模型诊断和解释为了确保模型的有效性和准确性，需要对模型进行诊断和解释。
可以通过Stata的模型诊断命令来进行一系列统计分析，如异方差性检验、空间误差的显著性检验等。
还可以使用Stata的模型解释命令来获取模型估计结果的解释，并进行进一步的分析和讨论。
五、实证案例分析在本节中，将以一个实证案例来展示如何使用Stata命令进行空间杜宾模型的分析。
案例数据为某地区的经济数据，包括GDP、人口、贸易等变量。
我们希望研究空间依赖对GDP的影响，并通过空间杜宾模型来分析这一关系。
计量经济学软件Stata15.0应用教程 课件 第九章 空间计量
hausman FE RE
（ 1） 极大似然估计 spreg ml crime hoval income,id(id) dlm (A) elm (A) //MLE估计SARAR模型
（ 2） 不含内生变量的gs2sls估计 spreg gs2sls crime hoval income, id(id) dlm (A) elm (A) het //GS2SLS估计SARAR模型 spreg gs2sls crime hoval income, id(id) dlm (A) het //不含空间误差的SAR模型 het（异方差 下的稳健标误）
spmat use B using usaww.spmat //用数据文件usaww.spmat生成空间权重矩阵B
SDM模型：
xsmle lngsp lnpcap lnpc lnemp unemp,wmat(B) model (sdm) r //随机效应估计 xsmle lngsp lnpcap lnpc lnemp unemp,wmat(B) model (sdm) durbin (lnemp) r //空间杜宾模型 xsmle lngsp lnpcap lnpc lnemp unemp,wmat(B) model (sdm) durbin (lnemp) r noeffe //固定效应 hausman检验：
空间计量模型stata代码
空间计量模型stata代码
空间计量模型stata代码是一种用于空间数据分析的统计软件，在stata中可以进行空间计量模型的建模和分析。
具体的代码包括以下几个步骤：
1.导入数据：使用stata命令“use”或者“import”导入需要分析的数据集。
2.定义空间权重矩阵：使用stata命令“spmat”或者“spwmatrix”定义空间权重矩阵，用于描述空间上的邻近关系。
3.空间回归模型建模：使用stata命令“spreg”或者“spatialreg”建立空间回归模型，其中包括空间滞后模型、空间错误模型、空间滞后误差模型等。
4.模型诊断和评价：使用stata命令“spatdiag”或者“sppack”对建立的空间回归模型进行诊断和评价，包括空间自相关性检验、异方差性检验、模型拟合度评价等。
5.结果分析和可视化：使用stata命令“spmap”或者“spgraph”对分析结果进行可视化展示，以便更好地理解和解释分析结果。
总之，空间计量模型stata代码是一种非常重要的工具，可以帮助研究者更好地理解和分析空间数据，并为相关领域的研究提供支持和帮助。
- 1 -。
空间杜宾模型stata命令
空间杜宾模型stata命令空间杜宾模型是一种用于分析空间数据的统计模型，它可以考虑空间自相关性和空间异质性的影响，从而更准确地估计模型参数和预测空间数据。
在stata软件中，可以使用spatial Durbin模型命令（sdm）来实现空间杜宾模型的估计和推断。
主要内容如下：1. 模型设定空间杜宾模型是一种广义线性模型，可以用以下方程表示：y = Xβ + ρWy + λWx + ε其中，y是因变量，X是自变量矩阵，β是自变量系数向量，Wy和Wx分别是空间滞后因变量和自变量矩阵，ρ和λ是空间滞后系数，ε是误差项。
空间滞后项可以用空间权重矩阵W来表示，W是一个n×n的对称矩阵，其中n是样本数，Wij表示第i个样本和第j个样本之间的空间关系。
2. 命令语法在stata中，可以使用以下命令语法来估计空间杜宾模型：sdm depvar [indepvars] [if] [in] [weight] [, options]其中，depvar是因变量名称，indepvars是自变量名称，if、in和weight是数据子集、数据集和权重选项，options是其他模型选项，如空间权重矩阵类型、空间滞后项类型、估计方法等。
3. 命令选项sdm命令有多个选项可供选择，以下是一些常用选项的说明：（1）spatialweight：指定空间权重矩阵类型，可以是queen、rook、knn、distance等。
（2）spatiallag：指定空间滞后项类型，可以是dependent、independent、mixed等。
（3）method：指定估计方法，可以是maximum likelihood、generalized method of moments等。
（4）robust：指定是否使用鲁棒标准误和t统计量。
（5）laglist：指定自变量的空间滞后阶数。
（6）rho：指定空间滞后系数的初始值。
（7）lambda：指定空间自变量系数的初始值。
空间杜宾模型个体效应特异误差
空间杜宾模型个体效应特异误差
杜宾模型(Thurstone Model)是一种假设，指出个体对某些产品或服务的偏好可以用来确定该个体的支出或选择。
这一模型是由拉尔夫·杜宾(L. L. Thurstone)在九十年代初提出的，
被认为是多变量决策分析中重要的方法之一。
杜宾模型在描述个体行为中存在一些特异性误差。
这些准确性错误有时被称为“个体差
异”(Individual Difference Error)，这意味着针对不同的个体，模型可能具有不同的准确性。
例如，一个个体可能会比较喜欢某一种产品，而另一个个体可能完全不喜欢该产品，在这
种情况下，个体之间的差异可能会影响杜宾模型的准确性。
此外，杜宾模型也存在微小的误差，这些误差可能影响个体行为的模式。
这种误差一般推
杜宾模型向下偏差的原因可能是模型的限制。
在杜宾模型中，用户的偏好必须满足等比关系，即用户对某一种产品的偏好不能过大，而另一个产品的偏好则不能过小。
然而，用户
在某些更复杂的行为中偏好可能不满足等比关系，这会导致模型准确性的下降。
因此，当应用杜宾模型来确定个体的消费行为时，应该特别注意个体效应的特异性误差。
个体的特异性可能会影响杜宾模型的准确性，因此应该更加努力分析个体的偏好，以便更
好地预测个体在某一特定情况下的行为模式。
【计量】空间杜宾模型代码
【计量】空间杜宾模型代码空间杜宾模型stata代码clear allcd "F:\stata14\ado\mydo\agglo"**调入权重矩阵use Wqiantaoinver.dta, clearkeep s*save "W2.dta" ,replace**矩阵转换为stata应用格式spatwmat using W2, name(W)standardizematrix list W***调入数据use data11.21.dta, clear*对数生成gen lnii=ln(ii)gen lnp=ln(p)gen lna=ln(a)gen lnt=ln(t)gen lnc=ln(c)*设定面板数据格式xtset id year**变量描述性统计local x " ii c p a t" //5个变量tabstat `x', s(mean sd min p25 p50 p75 max) ///format(%6.4f) c(s)*****(2)estimation****SDM estimation（个体固定ind）//Spatial Durbin model (SDM)xsmle lnii lnc lnp lna lnt, wmat(W) model(sdm) fe type(ind)nsim(500) nolog effectsest store M_sptial //不要加入c三次方lna_2,使用第三产业，加入c_lng交乘项estat ic //AIC BIC test//Spatial Durbin model （时间固定time）xsmle lnii lnc lnp lna lnt, wmat(W) model(sdm) fe type(time) nsim(500) nolog effects est store M_timeestat ic//Spatial Durbin model（双固定，both）xsmle lnii lnc lnp lna lnt , wmat(W) model(sdm) fe type(both) nsim(500) nolog effects est store M_bothestat ic**结果汇总列表显示local m "M_sptial M_time M_both"esttab `m', mtitle(`m') nogap s(r2 ll aic bic N ) ///star(* 0.1 ** 0.05 *** 0.01) b(%6.3f)esttab M_sptial M_time M_both using pane0000.rtf //输出结果rtf excel doc****hausman testxsmle lnii lnc lnp lna lnt , wmat(W) model(sdm) fe type(both) nsim(500) nolog estimates store sdm_fexsmle lnii lnc lnp lna lnt , wmat(W) model(sdm) re type(both) nsim(500) nolog estimates store sdm_rehausman sdm_fe sdm_re。
空间杜宾模型stata代码,包含空间权重矩阵制作、空间相关性检验以及地图绘制全过程
cd "C:\Users\Desktop\空间杜宾模型和检验以及结果解释\stata数据1"空间杜宾模型和检验以及结果解释\stata数据//设为自己的工作路径use data,clear***一、变量的描述性统计sum y x1 x2 x3 a1 a2 a3 a4***二、空间计量模型准备工作gen lnx1 = ln(x1)gen lnx2 = ln(x2)gen lnx3 = ln(x3)replace lnx1 =0 if missing(lnx1)***三、空间权重矩阵制作spatwmat using W.dta, n(W) standardizematrix list W***四、空间相关性检验**Moran’s I指数*（1）计算全局莫兰指数xtset id yearspatwmat using W.dta, n(W) standardize=============================！！！！！从preserve到restore务必视为一个整体，选中一起执行！！============1.方法1preservekeep if year==2004 //改变年份2004spatgsa y,weights(W) moran geary twotailrestoreforvalue i = 2004/2016{preservekeep if year==`i'spatgsa y,weights(W) moran twotail //计算全局莫兰指数restore}2.方法2(因为扩大了矩阵，所以可以同时对所有年份求全局莫兰指数)clear alluse W,clear //W为矩阵名称spcs2xt a1-a30,matrix(aaa)time(13) //扩大权重矩阵数量，因为W是30x30而样本有390组观测值，需要扩大13倍，此时会生成aaaxt.dta的390x390的权重矩阵spatwmat using aaaxt,name(W) standardizeuse data, clearspatgsa y,weights(W) moran geary twotail*（2）计算局部莫兰指数use data,clearxtset id yearspatwmat using W.dta, n(W) standardizepreservekeep if year==2006 //改变年份2004spatlsa y,weights(W) moran twotail //计算局部莫兰指数restore**moran散点图*第一种方法preservekeep if year==2004 //改变年份2004splagvar y , wname(W) wfrom(Stata) moran(y) plot(y)restore*第二种方法1.方法一preservekeep if year==2016 //改变年份2019spatlsa y,weights(W)moran graph(moran) symbol(id) id(pro) //显示地名restore2.方法二clear alluse W,clear //W为矩阵名称spcs2xt a1-a30,matrix(aaa)time(13) //扩大权重矩阵数量，因为W是30x30而样本有390组观测值，需要扩大13倍，此时会生成aaaxt.dta的390x390的权重矩阵spatwmat using aaaxt,name(W) standardizeuse data, clearspatlsa y,weights(W)moran graph(moran) symbol(id) id(pro)***五、空间计量模型**空间杜宾模型（SDM）use data,clearxtset id yearspatwmat using W.dta,name(W) standardize*随机效应模型xsmle y x* a*, model(sdm) wmat(W) type(both) nolog effects re*时间固定效应xsmle y x* a*, model(sdm) wmat(W) type(time) nolog effects fe*个体固定效应xsmle y x* a*, model(sdm) wmat(W) type(ind) nolog effects fe*双固定效应xsmle y x* a*, model(sdm) wmat(W) type(both) nolog effects fe**空间误差模型（SEM）xtset id yearspatwmat using W.dta,name(W) standardize*随机效应模型xsmle y x* a*, model(sem) emat(W) type(both) nolog effects re*时间固定效应xsmle y x* a*, model(sem) emat(W) type(time) nolog effects fe*个体固定效应xsmle y x* a*, model(sem) emat(W) type(ind) nolog effects fe*双固定效应xsmle y x* a*, model(sem) emat(W) type(both) nolog effects fe**空间滞后模型（SLM）xtset id yearspatwmat using W.dta,name(W) standardize*随机效应模型xsmle y x* a*, model(sar) wmat(W) type(both) nolog effects re*时间固定效应xsmle y x* a*, model(sar) wmat(W) type(time) nolog effects fe*个体固定效应xsmle y x* a*, model(sar) wmat(W) type(ind) nolog effects fe*双固定效应xsmle y x* a*, model(sar) wmat(W) type(both) nolog effects fe***六、相关检验**6.1LM检验(只有LM检验需要扩大矩阵)clear alluse data, clearuse W //W为矩阵名称spcs2xt a1-a30,matrix(aaa)time(13) //扩大权重矩阵数量，因为W是30x30而样本有390组观测值，需要扩大13倍，此时会生成aaaxt.dta的390x390的权重矩阵spatwmat using aaaxt,name(W)clearuse data //调用论文数据dataxtset id yearreg y x1 x2 x3 a1 a2 a3 a4spatdiag,weights(W)**6.2效应检验use data,clearxtset id yearspatwmat using W.dta, n(W) standardizexsmle y x1 x2 x3 a1 a2 a3 a4 , fe model(sdm) wmat(W) nolog noeffects type(ind)est store indxsmle y x1 x2 x3 a1 a2 a3 a4 , fe model(sdm) wmat(W) nolog noeffects type(time)est store timexsmle y x1 x2 x3 a1 a2 a3 a4 , fe model(sdm) wmat(W) nolog noeffects type(both)est store bothlrtest both ind,df(10) //比较“双向”和“个体”效应LR检验lrtest both time,df(10) //比较“时间”和“双向”效应LR检验drop _est_ind _est_time _est_both**6.3Hausman检验xsmle y x1 x2 x3 a1 a2 a3 a4 , fe model(sdm) wmat(W) nolog noeffects type(both)est store fexsmle y x1 x2 x3 a1 a2 a3 a4 , re model(sdm) wmat(W) nolog noeffects type(both)est store rehausman fe re**6.4Wald检验clear alluse dataspatwmat using W.dta,name(W) standardizextset id yearxsmle y x* a*, fe model(sdm) wmat(W) type(both) nolog noeffects//Wald Test for SARtest [Wx]x1 = [Wx]x2 = [Wx]x3 = [Wx]a1= [Wx]a2= [Wx]a3= [Wx]a4=0//Wald Test for SEMtestnl ([Wx]x1 = -[Spatial]rho*[Main]x1)([Wx]x2 = -[Spatial]rho*[Main]x2)([Wx]x3= -[Spatial]rho*[Main]x3) ([Wx]a1 = -[Spatial]rho*[Main]a1)([Wx]a2= -[Spatial]rho*[Main]a2) ([Wx]a3 = -[Spatial]rho*[Main]a3)([Wx]a4= -[Spatial]rho*[Main]a4)**6.5 LR检验xsmle y x* a*, fe model(sdm) wmat(W) type(both) nolog noeffectsest store sdmxsmle y x* a*, fe model(sar) wmat(W) type(both) nolog noeffectsest store sarxsmle y x* a*, fe model(sem) emat(W) type(both) nolog noeffectsest store semlrtest sdm sar //H0：空间杜宾模型可以简化为空间滞后模型（SAR）lrtest sdm sem //H0：空间杜宾模型可以简化为空间误差模型（SEM）**七、空间杜宾模型结果解释xsmle y x1 x2 x3 a1 a2 a3 a4 , fe model(sdm) wmat(W) nolog noeffects type(both)xsmle y x1 x2 x3 a1 a2 a3 a4 , fe model(sdm) wmat(W) nolog effects type(both) //效应分解了！xsmle y x1 x2 x3 a1 a2 a3 a4 , fe model(sdm) wmat(W) nolog noeffects type(ind)est store indxsmle y x1 x2 x3 a1 a2 a3 a4 , fe model(sdm) wmat(W) nolog noeffects type(time)est store timexsmle y x1 x2 x3 a1 a2 a3 a4 , fe model(sdm) wmat(W) nolog noeffects type(both)est store both**以下三行代码一起执行！！！local m " ind time both"esttab `m', mtitle(`m') nogap s(r2 N )logout, save(Descriptive2) word replace: esttab `m', mtitle(`m') nogap s(r2 N ) //输出到word**八、绘制地图(包含南海九段线的中国地图)cd C:\Users\52811\Desktop\空间杜宾模型和检验以及结果解释\中国地图//根据自己情况调整，调整至工作目录中国地图use china_province_data,clear**从excel表格中，把变量y复制过来！！！！spmap y using "china_province_co",id(area_id) clnumber(3) title("中国地图") label(label(name) xcoord(xxx) ycoord(yyy) size(*.76)) fcolor(Reds)。
第四讲 空间计量经济学基本模型 ppt课件
PPT课件
16
六、最优模型的确定
PPT课件
17
➢ OLS、SLM、SEM的选择
Run OLS
PPT课件
18
➢ 选择标准及步骤
✓1、做一次OLS估计
✓2、对比LM统计量，LM-Lag和LM-Error
✓3、若均不显著，则无需进行空间计量分析
✓4、若只有一个显著，则设定为与显著统计量对 应的空间计量模型
为最优模型 ✓4、如果有诊断未通过，一般通过调整W、调
整解释变量重新回归。 ✓重复步骤3、步骤4，直至确定合适的模型。
PPT课件
23
练习
问题：
◦ 考虑空间溢出效应的地区人均GDP影响因素 分析
数据文件：
◦ china.shp
论文提纲
◦ 全局MoranI检验 ◦ 局部Moran I检验 ◦ 回归分析 ◦ 运用三类不同的w分别做出结果，选最好的。
第四讲 空间计量经济学 基本模型
PPT课件
1
经典模型：SLM、SEM、SDM 扩展模型： SDEM 、GSAR 基本模型之间的关系 空间关系的体现 基本模型的GeoDa估计 最优模型的选择
PPT课件
2
一、基础模型
➢空间滞后模型（Spatial Lag Model, SLM）
y Wy X ~ (0, 2I n )
➢权重矩阵对GeoDa能力的约束
✓GeoDa只能给出基于邻接关系的W ✓只能估计基于邻接关系的空间计量模型
➢可以估计的模型类型
✓OLS ✓SLM ✓SEM
PPT课件
11
➢软件操作步骤
✓1、打开.shp数据文件 ✓2、创建W（若已有W，则省略该步骤）
※SLM只能使用对称的W，K最近距离W不能用
空间计量模型R操作代码
> sheng<-readOGR(".","shengditu")OGR data source with driver: ESRI ShapefileSource: ".", layer: "shengditu"with 30 features and 7 fieldsFeature type: wkbPolygon with 2 dimensions> sheng_nb<-poly2nb(sheng)> sheng_nblist<-nb2listw(sheng_nb)> Y<-log(sheng$INCOME)> X1<-log(sheng$CAIZHENG)> X2<-log(sheng$YONGDIAN)> M0=lm(sheng$INCOME~sheng$CAIZHENG+sheng$YONGDIAN)> M0Call:lm(formula = sheng$INCOME ~ sheng$CAIZHENG + sheng$YONGDIA N)Coefficients:(Intercept) sheng$CAIZHENG sheng$YONGDIAN2242.7762 1.9409 0.8433> bptest(M0)studentized Breusch-Pagan testdata: M0BP = 13.3794, df = 2, p-value = 0.001244> M1=lm(Y~X1+X2)> M1Call:lm(formula = Y ~ X1 + X2)Coefficients:(Intercept) X1 X25.9063 0.1410 0.2403> bptest(M1)studentized Breusch-Pagan testdata: M1BP = 1.0727, df = 2, p-value = 0.5849空间同步自回归误差模型M5SEAR<-errorsarlm(form=Y~X1+X2,listw=sheng_nblist,etype= "error")> M5SEARCall:errorsarlm(formula = Y ~ X1 + X2, listw = sheng_nblist, ety pe = "error")Type: errorCoefficients:lambda (Intercept) X1 X20.6803705 6.2439714 0.1698298 0.1567685Log likelihood: 16.28129空间杜宾误差模型M6SDEM<-errorsarlm(formula=Y~X1+X2,listw=sheng_nblist,ety pe="emixed")> M6SDEMCall:errorsarlm(formula = Y ~ X1 + X2, listw = sheng_nblist, ety pe = "emixed")Type: errorCoefficients:lambda (Intercept) X1 X2 lag.X1 lag.X20.383941329 5.606443895 0.174980753 0.125294150 0.12712857 2 0.005312641Log likelihood: 18.43699空间自回归滞后模型> M7SAR<-lagsarlm(Y~X1+X2,listw=sheng_nblist,type="lag") > M7SARCall:lagsarlm(formula = Y ~ X1 + X2, listw = sheng_nblist, type = "lag")Type: lagCoefficients:rho (Intercept) X1 X20.4977138 2.5142894 0.1598273 0.1208989Log likelihood: 19.10202空间杜宾模型> M8SDM<-lagsarlm(Y~X1+X2,list=sheng_nblist,type="mixed") > M8SDMCall:lagsarlm(formula = Y ~ X1 + X2, listw = sheng_nblist, type = "mixed")Type: mixedCoefficients:rho (Intercept) X1 X2 lag.X10.44734778 2.94168844 0.15733944 0.12553596 0.0346241 8lag.X2-0.05020476Log likelihood: 19.35204一般空间模型SACSARARM9SAC<-sacsarlm(Y~X1+X2,listw=sheng_nblist,type="sac")> M9SACCall:sacsarlm(formula = Y ~ X1 + X2, listw = sheng_nblist, type = "sac")Type: sacCoefficients:rho lambda (Intercept) X1 X20.6237129 -0.3867786 1.6820435 0.1402677 0.1090523Log likelihood: 19.50472M9SARMA<-sacsarlm(Y~X1+X2,listw=sheng_nblist,type="sacmix ed")> M9SARMACall:sacsarlm(formula = Y ~ X1 + X2, listw = sheng_nblist, type = "sacmixed")Type: sacmixedCoefficients:rho lambda (Intercept)0.72462052 -0.52029281 1.26735141X1 X2 lag.X10.13794167 0.13100192 -0.02403913lag.X2-0.07284195Log likelihood: 19.859。
时间固定效应空间杜宾模型
时间固定效应空间杜宾模型时间固定效应空间杜宾模型是一种用于估计面板数据的经济计量模型。
这个模型在空间计量经济学中非常重要，它结合了时间固定效应、空间依赖性和面板数据中的杜宾效应，可以帮助我们更精确地估计影响面板数据的各种因素。
时间固定效应指在某个时间段内，所有样本的共同影响因素都是固定的，不受时间影响的变量。
举个例子，如果我们想要研究一个国家的经济增长率，时间固定效应指的是全国的宏观因素，如政策、制度、经济结构等，这些因素对于不同的省份和城市来说都是相同的。
空间依赖性则指的是地理上相邻的区域之间的经济、社会和管理等变量之间的相互作用。
如果两个区域之间存在空间依赖性，那么当其中一个地区的某个变量发生变化时，另一个地区的相应变量也会受到影响。
杜宾效应是指在面板数据中，某些个体的观测值受到其他个体观测值的影响。
这种效应通常与空间依赖性有关。
时间固定效应空间杜宾模型将这三个概念结合在一起，以更好地研究面板数据中的变量。
这个模型有两个核心方程：一个是观测变量的回归方程，另一个是时间固定效应和空间杜宾效应的方程。
回归方程通常采用OLS回归方法，用于估计观测变量与自变量之间的关系，如：Yi,t = β0 + β1Xi,t + εi,t其中，Yi,t是第i个个体在t期的观测变量，Xi,t是第i个个体在t期的自变量。
β0和β1是模型的系数，εi,t是模型的误差项。
时间固定效应和空间杜宾效应的方程则用于估计这些效应对回归的影响。
这个方程可以采用两步法来估计。
首先，我们需要从OLS回归模型中得到无误差项的残差值，然后估计时间固定效应和空间杜宾效应的系数。
时间固定效应的系数是基于每个个体在多个时间段的表现，可以用于比较个体之间不同时间段的差异。
空间杜宾效应的系数是基于每个个体与相邻个体之间的表现，可以用于比较不同地区之间的差异。
最终，时间固定效应空间杜宾模型可以提供一种全面的面板数据分析方法，帮助研究人员更好地了解时间和空间对经济因素的影响，推断政策的效果以及提高预测准确性。
空间计量 杜宾模型 拟合度-概述说明以及解释
空间计量杜宾模型拟合度-概述说明以及解释1.引言1.1 概述空间计量是一种重要的统计分析方法，用于研究空间现象的相关性和空间结构。
通过空间计量分析，可以揭示地理空间数据之间的空间关系和空间模式，有助于理解不同地理区域之间的相互影响和依存关系。
杜宾模型作为空间计量分析的一种经典模型，被广泛应用于空间数据分析中。
它能够描述地理空间数据之间的距离或者相似性关系，从而揭示空间数据的空间联系和空间结构。
拟合度则是评价模型对数据拟合程度的指标。
在空间计量中，拟合度可以反映出杜宾模型对空间数据的拟合效果，从而评价模型的准确性和可靠性。
本文将介绍空间计量的基本概念、杜宾模型的介绍以及拟合度在空间计量中的应用，旨在探讨空间数据分析中的重要方法和工具，为未来的研究提供参考和借鉴。
通过深入理解空间计量和杜宾模型，可以更好地开展地理空间数据的分析和研究，促进空间科学领域的发展和进步。
1.2 文章结构文章结构部分将主要包括以下内容：1. 引言：介绍本文的主题和研究背景，概括空间计量和杜宾模型的重要性。
2. 正文：- 空间计量的基本概念：解释空间计量的定义及其在经济研究中的应用。
- 杜宾模型介绍：介绍杜宾模型的原理和在空间计量中的作用。
- 拟合度及其在空间计量中的应用：探讨拟合度在空间计量模型中的重要性和应用方法。
3. 结论：- 总结空间计量的重要性：强调空间计量在经济学和其他领域中的重要作用。
- 杜宾模型在拟合度中的作用：总结杜宾模型在拟合度评价中的作用及其优势。
- 未来研究方向：探讨空间计量和拟合度在未来研究中的可能发展方向。
1.3 目的本文旨在探讨空间计量与杜宾模型在实际应用中的重要性和作用，特别是关注拟合度在空间计量分析中的应用。
通过深入研究空间计量的基本概念和杜宾模型的相关知识，我们可以更好地理解和分析空间数据之间的关联性和空间自相关性。
同时，通过探讨拟合度的概念及其在空间计量中的应用，可以帮助研究人员评估模型的准确性和有效性，进而提高空间分析的质量和可靠性。
空间滞后和空间杜宾效应分解
空间滞后和空间杜宾效应分解
空间滞后和空间杜宾效应都属于空间经济学中的时间问题研究方法。
空间滞后（Spatial Lag）是指一个地区的某一现象受到邻近地
区的影响，存在空间关联性和空间依赖性。
换言之，相邻地区的现象出现变化，将会对当前地区的现象产生影响。
在计量经济学中，可以使用空间滞后模型(Spatial Lag Model)来测量和
解释地区间的相互依赖性。
例如，如果一个地区的房价受到相邻地区房价的影响，可以使用空间滞后模型来分析这种空间依赖性。
空间杜宾效应（Spatial Durbin Effect）是指一个地区的某一现
象不仅受到邻近地区的影响，同时还受到当前地区自身的影响。
即相邻地区和当前地区的变量对当前地区的现象产生影响。
在计量经济学中，可以使用空间杜宾模型(Spatial Durbin Model)
来测量和解释地区间的空间依赖性和空间自相关性。
与空间滞后模型相比，空间杜宾模型加入了地区自身的变量，更全面地考虑了空间依赖性问题。
总而言之，空间滞后和空间杜宾效应分别研究了地区间的相互依赖性和地区自身的影响，都是分析地区间空间关联性的方法。
利用STATA创建空间权重矩阵及空间杜宾模型计算----命令
利用STATA创建空间权重矩阵及空间杜宾模型计算----命令** 创建空间权重矩阵介绍*设置默认路径cd C:\Users\xiubo\Desktop\F182013.v4\F101994\sheng**创建新文件*shp2dta:reads a shape (.shp) and dbase (.dbf) file from disk and converts them into Stata datasets.*shp2dta:读取CHN_adm1文件*CHN_adm1：为已有的地图文件*database (chinaprovince)：表示创建一个名称为“chinaprovince”的dBase数据集*database(filename)：Specifies filename of new dBase dataset*coordinates(coord)：创建一个名称为“coord”的坐标系数据集*coordinates(filename)：Specifies filename of new coordinates dataset*gencentroids(stub)：Creates centroid variables*genid(newvarname)：Creates unique id variable for database.dtashp2dta using CHN_adm1,database (chinaprovince) coordinates(coord) genid(id) gencentroids(c)**绘制2016年中國GDP分布圖*spmap:Visualization of spatial data*clnumber(#):number of classes*id(idvar):base map polygon identifier(识别符，声明变量名，一般以字母或下划线开头，包含数字、字母、下划线)*_2016GDP：变量*coord:之前创建的坐标系数据集spmap _2016GDP using coord, id(id) clnumber(5)*更改变量名rename x_c longituderename y_c latitude**生成距离矩阵*spmat:用于定义与管理空间权重矩阵*Spatial-weighting matrices are stored in spatial-weighting matrix objects (spmat objects).*spmat objects contain additional information about the data used in constructing spatial-weighting matrices.*spmat objects are used in fitting spatial models; see spreg (if installed) and spivreg (if installed).*idistance:(产生距离矩阵)create an spmat object containing an inverse-distance matrix W*或contiguity:create an spmat object containing a contiguity matrix W*idistance_jingdu:命名名称为“idistance_jingdu”的距離矩陣*longitude:使用经度*latitude:使用纬度*id(id):使用id*dfunction(function[, miles]):(设置计算距离方法)specify the distance function.*function may be one of euclidean (default), dhaversine, rhaversine, or the Minkowski distance of order p, where p is an integer greater than or equal to 1.*normalize(row):（行标准化）specifies one of the three available normalization techniques: row, minmax, and spectral.*In a row-normalized matrix, each element in row i is divided by the sum of row i's elements.*In a minmax-normalized matrix, each element is divided bythe minimum of the largest row sum and column sum of the matrix.*In a spectral-normalized matrix, each element is divided by the modulus of the largest eigenvalue of the matrix.spmat idistance idistance_jingdu longitude latitude, id(id) dfunction(euclidean) normalize(row)**保存stata可读文件idistance_jingdu.spmatspmat save idistance_jingdu using idistance_jingdu.spmat**将刚刚保存的idistance_jingdu.spmat文件转化为txt文件spmat export idistance_jingdu using idistance_jingdu.txt**生成相邻矩阵spmat contiguity contiguity_jingdu using coord, id(id) normalize(row)spmat save contiguity_jingdu using contiguity_jingdu.spmat spmat export contiguity_jingdu using contiguity_jingdu.txt **计算Moran’s I*安装spatwmat*spatwmat:用于定义空间权重矩阵*spatwmat:imports or generates the spatial weights matrices required by spatgsa, spatlsa, spatdiag, and spatreg.*As an option, spatwmat also generates the eigenvalues matrix required by spatreg.*name(W):读取空间权重矩阵W*name(W):使用生成的空间权重矩阵W*xcoord:x坐标*ycoord:y坐标*band(0 8):宽窗介绍*band(numlist) is required if option using filename is not specified.*It specifies the lower and upper bounds of the distanceband within which location pairs must be considered "neighbors"(i.e., spatially contiguous)*and, therefore, assigned a nonzero spatial weight.*binary:requests that a binary weights matrix be generated. To this aim, all nonzero spatial weights are set to 1.spatwmat, name(W) xcoord(longitude) ycoord(latitude) band(0 8)*安装绘制Mora n’s I工具:splagvar*splagvar --- Generates spatially lagged variables, constructs the Moran scatter plot,*and calculates global Moran's I statistics.*_2016GDP：使用变量_2016GDP*wname(W):使用空间权重矩阵W*indicate the name of the spatial weights matrix to be used *wfrom(Stata):indicate source of the spatial weights matrix *wfrom(Stata | Mata) indicates whether the spatial weights matrix is a Stata matrix loaded in memory or a Mata file located in the working directory.*If the spatial weights matrix had been created using spwmatrix it should exist as a Stata matrix or as a Mata file.*moran(_2016GDP):计算变量_2016GDP的Moran's I值*plot(_2016GDP):构建变量_2016GDPMoran散点图splagvar _2016GDP, wname(W) wfrom(Stata) moran(_2016GDP) plot(_2016GDP)====================================== ========================================= **使用距离矩阵计算空间计量模型*设置默认路径cd D:\软件学习软件资料\stata\stata指导书籍命令\陈强高级计量经济学及stata应用（第二版）全部数据*使用product.dta数据集（陈强的高级计量经济学及其stata应用P594）*将数据集product.dta存入当前工作路径use product.dta , clear*创建新变量，对原有部分变量取对数gen lngsp=log(gsp)gen lnpcap=log(pcap)gen lnpc=log(pc)gen lnemp=log(emp)*将空间权重矩阵usaww.spat存入当前工作路径spmat use usaww using usaww.spmat*使用聚类稳健的标准误估计随机效应的SDM模型xsmle lngsp lnpcap lnpc lnemp unemp,wmat(usaww) model(sdm)robust nolog*使用选择项durbin(lnemp)，不选择不显著的变量，使用聚类稳健的标准误估计随机效应的SDM模型xsmle lngsp lnpcap lnpc lnemp unemp,wmat(usaww) model(sdm) durbin(lnemp) robust nolog noeffects*使用选择项durbin(lnemp)，不选择不显著的变量，使用聚类稳健的标准误估计固定效应的SDM模型xsmle lngsp lnpcap lnpc lnemp unemp,wmat(usaww) model(sdm) durbin(lnemp) robust nolog noeffects fe *存储随机效应和固定效应结果qui xsmle lngsp lnpcap lnpc lnemp unemp,wmat(usaww) model(sdm) durbin(lnemp) r2 nolog noeffects reest sto requi xsmle lngsp lnpcap lnpc lnemp unemp,wmat(usaww) model(sdm) durbin(lnemp) r2 nolog noeffects feest sto fe*esttab:将保存的结果汇总到一张表格中*b(fmt):specify format for point estimates*beta[(fmt)]:display beta coefficients instead of point est's*se[(fmt)]:display standard errors instead of t statistics*star( * 0.1 ** 0.05 *** 0.01):标记不同显著性水平对应的P值*r2|ar2|pr2[(fmt)]:display (adjusted, pseudo) R-squared*p[(fmt)]:display p-values instead of t statistics*label:make use of variable labels*title(string):specify a title for the tableesttab fe re , b se r2 star( * 0.1 ** 0.05 *** 0.01)*hausman检验*进行hausman检验前，回归中没有使用稳健标准误(没用“r”), *是因为传统的豪斯曼检验建立在同方差的前提下*constant:include estimated intercepts in comparison; default is to exclude*df(#):use # degrees of freedom*sigmamore:base both (co)variance matrices on disturbance variance estimate from efficient estimator*sigmaless:base both (co)variance matrices on disturbance variance estimate from consistent estimatorhausman fe re**有时我们还会得到负的chi2值,即chi2<0，表明模型不能满足Hausman检验的渐近假设。
空间杜宾模型解读
空间杜宾模型解读空间杜宾模型是一种概念模型，它是由Martin Dodge 和Rob Kitchin开发的，主要用于空间分析和数据挖掘领域，它提供了一种基于空间的方法来解读社会现象和规律。
本文将对空间杜宾模型进行详细的解读，主要包括空间杜宾模型的定义、构成、应用范围以及实际案例分析等方面。
一、空间杜宾模型的定义和构成空间杜宾模型主要是一种基于地理信息系统（GIS）和数据挖掘的方法，旨在分析和解释各种社会现象，例如城市发展、人口分布、疾病传播等，它通过整合多种数据源来生成空间可视化的数据模型。
空间杜宾模型的构成主要包括以下几个部分：1. 数据来源：空间杜宾模型需要整合多种数据源，例如遥感数据、人口普查数据、交通流数据等，同时还可以整合社交媒体数据等非常规数据。
2. 空间元素：空间杜宾模型的一个核心概念就是空间元素，它指的是空间中所有可被地理参考的对象，例如街道、建筑、公园等。
空间元素是空间杜宾模型中的基本单位和分析对象。
3. 空间关系：空间杜宾模型在空间元素之间建立了多种不同的空间关系，例如邻近、重叠、包含等，这些关系可以帮助人们更好地理解和解释空间数据。
4. 空间可视化：空间杜宾模型可以将空间数据可视化为地图等形式，这种可视化方式可以帮助人们更清晰地理解和解释数据。
5. 空间分析：空间杜宾模型可以通过空间分析方法，例如空间统计、空间回归等，来进一步深入挖掘和解释数据。
二、空间杜宾模型的应用范围空间杜宾模型可以应用于各种社会科学领域，例如人口学、社会学、地理学等，它可以帮助人们更好地理解和分析各种社会现象。
以下是空间杜宾模型的几个应用范围：1. 城市规划：空间杜宾模型可以在城市规划领域中发挥重要作用，例如通过分析城市人口分布、交通流量等数据来确定最佳的城市规划方案。
2. 疾病传播：空间杜宾模型可以用来分析疾病传播路径和影响因素，通过分析人口分布、交通流量等数据可以预测疾病的传播范围和速度。
3. 自然灾害：空间杜宾模型可以用来分析自然灾害的影响范围和路径，例如地震、洪水等，通过分析地形、交通流量等数据可以预测灾害的影响范围和严重程度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
空间杜宾模型stata代码
clear all
cd "F:\stata14\ado\mydo\agglo"
**调入权重矩阵
use Wqiantaoinver.dta, clear
keep s*
save "W2.dta" ,replace
**矩阵转换为stata应用格式
spatwmat using W2, name(W)standardize
matrix list W
***调入数据
use data11.21.dta, clear
*对数生成
gen lnii=ln(ii)
gen lnp=ln(p)
gen lna=ln(a)
gen lnt=ln(t)
gen lnc=ln(c)
*设定面板数据格式
xtset id year
**变量描述性统计
local x " ii c p a t" //5个变量
tabstat `x', s(mean sd min p25 p50 p75 max) ///
format(%6.4f) c(s)
*****(2)estimation
****SDM estimation（个体固定ind）
//Spatial Durbin model (SDM)
xsmle lnii lnc lnp lna lnt, wmat(W) model(sdm) fe type(ind) nsim(500) nolog effects
est store M_sptial //不要加入c三次方lna_2,使用第三产业，加入c_lng交乘项
estat ic //AIC BIC test
//Spatial Durbin model （时间固定time）
xsmle lnii lnc lnp lna lnt, wmat(W) model(sdm) fe type(time) nsim(500) nolog effects est store M_time
estat ic
//Spatial Durbin model（双固定，both）
xsmle lnii lnc lnp lna lnt , wmat(W) model(sdm) fe type(both) nsim(500) nolog effects est store M_both
estat ic
**结果汇总列表显示
local m "M_sptial M_time M_both"
esttab `m', mtitle(`m') nogap s(r2 ll aic bic N ) ///
star(* 0.1 ** 0.05 *** 0.01) b(%6.3f)
esttab M_sptial M_time M_both using pane0000.rtf //输出结果rtf excel doc
****hausman test
xsmle lnii lnc lnp lna lnt , wmat(W) model(sdm) fe type(both) nsim(500) nolog estimates store sdm_fe
xsmle lnii lnc lnp lna lnt , wmat(W) model(sdm) re type(both) nsim(500) nolog estimates store sdm_re
hausman sdm_fe sdm_re。