Stata：空间计量模型双权重-spm

文摘 2024-08-30 22:03 山西

👇 连享会 · 推文导航 | www.lianxh.cn

🍎 Stata：Stata基础 | Stata绘图 | Stata程序 | Stata新命令
📘 论文：数据处理 | 结果输出 | 论文写作 | 数据分享
💹 计量：回归分析 | 交乘项-调节 | IV-GMM | 时间序列 | 面板数据 | 空间计量 | Probit-Logit | 分位数回归
⛳ 专题：SFA-DEA | 生存分析 | 爬虫 | 机器学习 | 文本分析
🔃 因果：DID | RDD | 因果推断 | 合成控制法 | PSM-Matching
🔨 工具：工具软件 | Markdown | Python-R-Stata
🎧 课程：最新专题 | 计量专题 | 关于连享会

🍓 课程推荐：2024 空间计量专题
主讲老师：范巧 (兰州大学)
课程时间：2024 年 10 月 2-4 日 (三天)
课程咨询：王老师 18903405450（微信）

课程特色 · 2024空间计量：

👉 一、从“零基础”到“高水平”的课程设计

兼顾基础知识、主流模型与前沿模型
既考虑软件安装、程序编写以及空间权重矩阵设计等 基础知识 讲授，更强调时空面板地理加权回归模型、贝叶斯空间计量模型、矩阵指数模型、空间计量交互模型与空间面板似不相关回归模型等 前沿模型 的传授。

👉 二、“保姆级”的空间计量代码

编写与校准所有模型的MATLAB代码，简化实操环节
模型的估计与检验等 仅按照提供的Excel数据版式 搜集与整理原始数据，即可一次性出结果并作图。

👉 三、“最多上新” 的内容体系

新增矩阵指数模型、短面板空间似不相关模型、空间计量交互模型、贝叶斯空间计量模型等
新增前沿应用案例，包括空间计量与索洛余值法、随机前沿分析与数据包络分析等的互嵌研究，阐释基于空间计量的产业空间结构优化评价方法。
新增 Dagum空间基尼系数、核密度估计、空间马尔科夫链与空间收敛性等内容，阐释现实研究中对空间收敛性的应用“谬误”。

作者：彭甲超 (中国地质大学)
邮箱：pengjiachao@cug.edu.cn

编者按：本文摘译自下文，特此致谢！
Source：Atella V, Belotti F, Depalo D, et al. Measuring spatial effects in the presence of institutional constraints: The case of Italian Local Health Authority expenditure[J]. Regional Science and Urban Economics, 2014, 49: 232-241. -PDF-

1. 简介
2. 双权重模型
3. 命令介绍
4. Stata 实例操作
5. 结语
6. 参考资料
7. 相关推文

温馨提示： 文中链接在微信中无法生效。请点击底部「阅读原文」。或直接长按/扫描如下二维码，直达原文：

1. 简介

已有文献认为地理上接近的样本数据不是独立的，而是在空间上相关，这意味着更接近样本单元的观测值往往比其他样本单元的观测值更相似。经济和社会人口变量，如失业率、犯罪率、房价、人均卫生支出等，经常观察到空间聚集或基于地理的相关性特征。理论模型通常承认空间溢出的存在，空间溢出随着单元之间距离的增加而下降。

从经验上讲，这些特征可以通过权重矩阵的方法，将较高的权重附加到邻近地区。比如邻近样本单元的环境污染可能影响当地的环境，那么在实际研究中该如何控制临近样本单元对当地的环境污染呢？通常利用引入空间权重的方式考察这种空间溢出。引入空间计量主要有2个好处：一是可以防止空间溢出效应性影响内生性，二是可以考察空间溢出的影响方向。

一般常见的引入空间权重仅使用单一权重，但实际中仅依赖单一空间权重缺乏经济含义。以空间杜宾模型 (SDM) 为例：

其中，为被解释变量；表示与相邻地区的空间自相关部分，为空间权重矩阵，显示与相邻地区的其他有关系；表示与自变量相关部分，与自变量有关，也就是最简单的线性回归模型；表示与相邻地区的空间自相关部分，与相邻地区的其它有关系。

公式中使用的一般仅可引入单一的空间权重，如地理距离等，但现实环境污染也不仅仅与地理距离或是空间邻接相关，也可能与邻近地区经济发展需要额外排放污染相关，那么此时仅使用地理距离或是空间邻接权重就无法控制经济发展权重带来的影响。spm 命令能够很好的解决两种空间权重对被解释变量的影响。

2. 双权重模型

spm 命令主要适用平衡面板双权重的空间自回归模型 (SAR)、空间误差模型 (SEM) 和 SDM 固定效应空间计量模型。SE 其实就是将回归项放到了误差里面，简单的来说，SAR 是研究因变量自相关，而 SEM 是研究误差项自相关。SDM 是 SAR 和 SEM 的扩展形式，同时考虑了因变量和自变量的自相关性含有空间权重矩阵的模型。

SDM 模型可以计算变量的直接效应、间接效应和总效应，因而被广泛使用。其中直接效应表示区域的变量对区域的被解释变量产生的影响，总效应表示所有区域的变量变动对区域的被解释变量产生的影响，间接效应表示其他区域变量变动对本区域的被解释变量产生的影响，也为空间溢出效应。

以 SDM 模型为例，双权重主要模型形式为 (Manski，1993；Atell 等 2014)：

其中和表示两种不同的空间权重，其他参数解释与一般情形下的 SDM 一致。

需要注意的是，spm 允许使用双权重矩阵估计平衡空间面板数据模型 (Atella 等，2014)，当方差-协方差矩阵不是正定时，使用 Rebonato 和 Jackel (1999) 中的修正正定矩阵计算直接、间接和总效应标准误差。

3. 命令介绍

*命令安装
cnssc install lxhget, replace
lxhget spm.pkg, install

*命令语法
Spatial Autoregressive (SAR) model
  spm depvar [indepvars] [if] [in] [weight] [, SAR_options]

Spatial Error (SEM) model
  spm depvar [indepvars] [if] [in] [weight] , model(sem) [SEM_options]

Spatial Durbin (SDM) model
  spm depvar [indepvars] [if] [in] [weight] , model(durbin) [DURBIN_options]

spm：仅适用 SAR、SEM、Durbin 模型；
depvar：被解释变量；
indepvars：解释变量；
SAR_options：包括 sarwmat(name)、sarw2mat(name)、固定效应选项，稳健性估计选择和置信区间选项。其中 sarwmat(name) 代表第一个 Stata 空间权重，sarw2mat(name) 代表第二个 Stata 空间权重，固定效应选择可设定控制个体效应和时间效应；
SEM_options：与 SAR_options 类似，包括 sarwmat(name)、sarw2mat(name)、固定效应选项、稳健性估计选择和置信区间选项，含义与 SAR_options 类似；
DURBIN_options：与 SAR_options 和 SEM_options 具体内容差别不大。但需要注意 durbin(varlist [, SDM_options]) 中，SDM_options 包含 indirect 和 nsim(#)，分别用于展示不同变量的空间溢出效应，设置 Lesage 和 Pace (2009) 过程的模拟次数以计算直接和间接影响的标准误差。

4. Stata 实例操作

示例数据中的空间矩阵是一个一阶 188×188 邻接矩阵，如果区域和共享公共边界，则其对角线元素等于 0，非对角线元素等于 1。如果区域和共享共同边界并且属于同一机构群集，则记为，如果区域和虽然共享共同边界但属于不同群集，则记为。

首先，下载示例数据，并载入两种空间权重和：

. lxhget spm.pkg, replace
. use spm_demo.dta, clear
. mata mata matuse w1.mmat, replace
. mata st_matrix("W1", W1)
. mata mata matuse w2.mmat, replace
. mata st_matrix("W2", W2)

特别需要注意的是，spm 使用的空间权重矩阵是 mmat 格式而非 dta 格式数据，下文将给出具体转化代码。

mata
mata clear
mata stata use W1.dta,clear
W1=st_data(.,.)
W1
end
mata st_matrix("W1", W1)

其次，结合 spm 的参考命令执行，结果如下：

. *SDM
. xtset id t
. spm y x1, model(durbin) sarwmat(W1) sarw2mat(W2)

SDM with spatial fixed effects                       Number of obs =       940
Group variable: id                                Number of groups =       188
Time variable: t                                Obs per group: min =         5
                                                               avg =       5.0
                                                               max =         5
Log-likelihood = -1319.3380
------------------------------------------------------------------------------
           y | Coefficient  Std. err.      t    P>|t|     [95% conf. interval]
-------------+----------------------------------------------------------------
Main         |
          x1 |      0.411      0.034    12.09   0.000        0.345       0.478
-------------+----------------------------------------------------------------
Durbin       |
          x1 |      0.601      0.063     9.55   0.000        0.478       0.725
-------------+----------------------------------------------------------------
Durbin2      |
          x1 |      0.321      0.064     4.98   0.000        0.195       0.448
-------------+----------------------------------------------------------------
Spatial      |
         rho |      0.237      0.022    10.97   0.000        0.195       0.279
        rho2 |      0.674      0.019    36.38   0.000        0.638       0.710
-------------+----------------------------------------------------------------
Variance     |
      sigma2 |      1.016      0.038    26.62   0.000        0.941       1.091
------------------------------------------------------------------------------

其中，

y 表示人均卫生费用支出，x1 为核心变量，具体指标解释请参阅 Atella 等 (2014)；
Main 汇报的是部分；
Durbin 和 Durbin2 汇报的分别是、；
rho 和 rho2 则分别对应、。

. *SAR
. spm y x1, model(sar) sarwmat(W1) sarw2mat(W2)

SLM with spatial fixed effects                       Number of obs =       940
Group variable: id                                Number of groups =       188
Time variable: t                                Obs per group: min =         5
                                                               avg =       5.0
                                                               max =         5
Log-likelihood = -1378.5699
------------------------------------------------------------------------------
           y | Coefficient  Std. err.      t    P>|t|     [95% conf. interval]
-------------+----------------------------------------------------------------
Main         |
          x1 |      0.434      0.036    12.21   0.000        0.364       0.503
-------------+----------------------------------------------------------------
Spatial      |
         rho |      0.306      0.020    15.16   0.000        0.267       0.346
        rho2 |      0.660      0.018    37.26   0.000        0.625       0.695
-------------+----------------------------------------------------------------
Variance     |
      sigma2 |      1.121      0.042    26.49   0.000        1.038       1.204
------------------------------------------------------------------------------

. *SEM
. spm y x1, sarwmat(W1) sarw2mat(W2)

SLM with spatial fixed effects                       Number of obs =       940
Group variable: id                                Number of groups =       188
Time variable: t                                Obs per group: min =         5
                                                               avg =       5.0
                                                               max =         5
Log-likelihood = -1378.5699
------------------------------------------------------------------------------
           y | Coefficient  Std. err.      t    P>|t|     [95% conf. interval]
-------------+----------------------------------------------------------------
Main         |
          x1 |      0.434      0.036    12.21   0.000        0.364       0.503
-------------+----------------------------------------------------------------
Spatial      |
         rho |      0.306      0.020    15.16   0.000        0.267       0.346
        rho2 |      0.660      0.018    37.26   0.000        0.625       0.695
-------------+----------------------------------------------------------------
Variance     |
      sigma2 |      1.121      0.042    26.49   0.000        1.038       1.204
------------------------------------------------------------------------------

5. 结语

与传统的单一空间权重分析相比，spm 命令同时引入两种空间权重是对空间计量模型的一种改进。此外，spm 命令能够汇报 SDM 模型的直接效应、间接效应和总效应，本文不在此赘述。

6. 参考资料

Cameron A C, Gelbach J B, Miller D L. Robust inference with multiway clustering[J]. Journal of Business & Economic Statistics, 2011, 29(2): 238-249. -PDF-
Atella V, Belotti F, Depalo D, et al. Measuring spatial effects in the presence of institutional constraints: The case of Italian Local Health Authority expenditure[J]. Regional Science and Urban Economics, 2014, 49: 232-241. -PDF-
Manski C F. Identification of endogenous social effects: The reflection problem[J]. The review of economic studies, 1993, 60(3): 531-542. -PDF-
Rebonato R, Jäckel P. The most general methodology to create a valid correlation matrix for risk management and option pricing purposes[J]. Available at SSRN 1969689, 2011. -PDF-

7. 相关推文

Note：产生如下推文列表的 Stata 命令为：
lianxh 空间, m
安装最新版 lianxh 命令：
ssc install lianxh, replace

专题：Stata命令

Stata：空间计量之用-spmap-绘制地图.md

专题：Stata绘图

Stata空间计量：莫兰指数绘图moranplot命令介绍

专题：倍分法DID

倍分法(DID)的标准误：不能忽略空间相关性

专题：空间计量

Stata：批量获取经纬度数据-空间计量
Stata空间计量：STAR-时空自回归模型
Stata：一文遍览Stata官方空间计量命令：sp系列命令
刘迪：Stata空间溢出效应的动态图形-空间计量
空间面板数据模型及Stata实现
空间计量溢出效应的动态GIF演示
空间权重矩阵的构建
空间计量：地理加权归回模型-(GWR)-参数估计

🍓 课程推荐：2024 空间计量专题
主讲老师：范巧 (兰州大学)
课程时间：2024 年 10 月 2-4 日 (三天)
课程咨询：王老师 18903405450（微信）

New！ Stata 搜索神器：lianxh 和 songbl GIF 动图介绍
搜：推文、数据分享、期刊论文、重现代码 ……
👉 安装：
. ssc install lianxh
. ssc install songbl
👉 使用：
. lianxh DID 倍分法
. songbl all

🍏 关于我们

连享会 ( www.lianxh.cn，推文列表) 由中山大学连玉君老师团队创办，定期分享实证分析经验。
直通车： 👉【百度一下：连享会】即可直达连享会主页。亦可进一步添加「知乎」,「b 站」,「面板数据」,「公开课」等关键词细化搜索。

http://mp.weixin.qq.com/s?__biz=Mzk0MDI1NTgyOQ==&mid=2247576913&idx=1&sn=1080bcc427ff700eb6a58876636d2c94

连享会

连玉君老师团队分享，主页：lianxh.cn。白话计量，代码实操；学术路上，与君同行。