? 连享会主页:lianxh.cn
New!
lianxh
命令发布了: GIF 动图介绍
随时搜索 Stata 推文、教程、手册、论坛,安装命令如下:. ssc install lianxh
连享会 · 最受欢迎的课
? 2021 Stata 寒假班
⌚ 2021 年 1.25-2.4? 主讲:连玉君 (中山大学);江艇 (中国人民大学)
? 课程主页:https://gitee.com/arlionn/PX
作者: 袁子晴 (香港大学)邮箱: yzq0612@foxmail.com
目录[
1. 问题背景
2. 时空自回归模型
2.1 STAR 模型设定
2.2 时空权重矩阵
3. Stata 实例
3.1 数据预处理
3.2 生成时空权重矩阵
3.3 STAR模型估计
4. 参考文献
5. 相关推文
1. 问题背景
地理学第一定律 (Tobler's first law of geography) 认为 “所有事物都与其他事物相关,并且近处的事物比远处的事物更相关”。空间计量模型通过引入空间权重矩阵来研究单元之间的关联方式和关联程度,以此反映地理学第一定律。
但是大量的经验事实和实证研究表明时间维度也是一个很重要的因素。我们可以随着时间的推移在不同时点上收集空间横截面数据,从而得到两种类型的时空数据:空间面板数据和混合空间截面数据。
空间面板数据是在一段时间内对空间单元 (Spatial Units) 进行追踪调查所得到的,即在不同的时间点上观测到的空间单元都是一样的,这意味着空间单元必须可以被重复观测。例如,在研究环境污染的影响因素时,我们可以收集每个国家在每年的 排放量,进而得到平衡的时空面板。
但是,有些情况下一个具体的空间单位在一段时间内仅能被观察一次,比如房屋交易、事故、犯罪、公司的成立/关闭等。这种情况下不同的时点上观测到的空间单元是不同的,从而得到混合空间截面数据。
空间自相关的特殊性在于其多向作用 (Multidirectional Effect),某一空间单元受到周围其它空间单元的影响,同时它也对周围其它空间单元产生影响,下图中的红色双向箭头描述了「空间维度的多向效应」。时间的自相关是单向性的,昨天的观测值可以影响到今天的观测值,但反之则不可,也就是时间惯性在方向上的单一性,下图中灰色单向箭头描述了「时间维度的单向效应」。
如果研究的数据集是混合截面数据,或者是由于缺失值导致的非平衡空间面板数据,这种情况下可以把上述数据集看做成一个混合的大截面,此时时空权重矩阵的维度不再是空间单元的个数,而是观测值的数目。
2. 时空自回归模型
2.1 STAR 模型设定
因此,在运用混合空间截面数据研究时空自回归模型 ( Spatio-Temporal Autoregressive Regression, STAR ) 时,既要考虑到空间维度的多向效应,也要兼顾时间维度的单向效应。
其中,空间滞后项为:
时间滞后项为:
矩阵形式可以写成:
其中, 是衡量当期不同观测值之间关系的空间权重矩阵(空间维度的多向效应), 是衡量 时期与 时期观测值之间关系的时空权重矩阵 (时间维度的单向效应),这两个矩阵的维度均为 。系数 和 分别衡量同期的空间依赖程度——空间溢出效应 (Spatial Spillover Effect) 和与滞后一期的空间依赖程度——动态空间效应 (Dynamic Spatial Effect)。需要注意的是,时间滞后项不包含自身的滞后 ,这是由混合空间截面数据的特点决定的。
2.2 时空权重矩阵
一般地,将空间权重 和时间权重 相结合可以得到时空权重。
- 第一种情况:假设所有的观测值都是同时发生,即时间权重 均为 1时,时空权重矩阵退化为空间权重矩阵 ;
- 第二种情况:假设空间自相关只存在于同一时期内,不考虑跨期的空间自相关,此时的时空权重矩阵除了对角线外元素均为 0。其中 是描述在时点 上观测值 和 之间的空间关联的空间权重矩阵;
- 第三种情况:只考虑到过去和现在的观测之间的时间惯性关系,此时的时空权重矩阵是下三角矩阵。其中,矩阵 是刻画观测值 在时点 与观测值 在之前的时点 之间的空间权重矩阵;
- 第四种情况:与第三种情况相反,考虑到预期 (anticipation) 效应ÿ