六步学会用做空间计量回归详细步骤

合集下载

[课件]空间回归模型PPT

[课件]空间回归模型PPT
i 1 j 1 n n 2 w ( x x ) ij i i 1 j 1 i 1 n
n
n
1 n 其中 : x x i n i 1
算公式:
I E(I ) Z Var (I )
• 当Z值为正且显著时,表明存在正的空间自相关; 当Z值为负且显著时,表明存在负的空间自相关; 当Z值为零时,观测值呈独立随机分布。
2、局部空间自相关:Moran散点图
• 以(Wz,z)为坐标点的Moran散点图,常用来研 究局部的空间的不稳定性,它对空间滞后因子Wz 和z进行了可视化的二维图示。 • Moran散点图的4个象限,分别对应于区域单元与 其邻居之间4种类型的局部空间联系形式: • 第1象限代表了高观测值的区域单元被同是高值的 区域所包围的空间联系形式;第2象限代表了低观 测值的区域单元被同是高值的区域所包围的空间 联系形式;第3象限代表了低观测值的区域单元被 同是底值的区域所包围的空间联系形式;第4象限 代表了高观测值的区域单元被同是底值的区域所 包围的空间联系形式;
空间回归模型
主要内容
• 空间计量经济模型的原理、分类、估计及 相应的软件操作 • 重点问题: • 空间相关指数 • 空间滞后模型的设置和估计 • 空间误差模型的设置和估计
自相关
• 空间观念 • 虚拟变量的缺陷
– 控制地区特性而非空间地理依赖关系
• 交互作用与交往结构
– 观测值的依赖关系 – 空间聚集现象-经济发展、贸易、资源、财富 与贪污、政策效仿、创新与山寨….
• 空间信息将有助于揭示社会过程之间如何 联系,辐射与反馈等
广义自相关
• 时间序列上的自相关 • 空间自相关
– 空间地理关系导致的-自身影响邻居,邻居反 过来影响自身-均衡结果受到自身的影响

回归分析的六大基本步骤

回归分析的六大基本步骤
6
(接上页数据表) 接上页数据表)
地 湖南 广东 广西 海南 重庆 四川 贵州 云南 西藏 陕西 甘肃 青海 宁夏 新疆
Econometrics 2007

城市居民家庭平均每人每年消费 支出( Y 支出(元) 5574.72 8988.48 5413.44 5459.64 6360.24 5413.08 4598.28 5827.92 6952.44 5278.04 5064.24 5042.52 6104.92 5636.40
Econometrics 2007
回归分析的基本方法
12
(1)散 点 图
Econometrics 2007
回归分析的基本方法
13
(2)相关系数
Econometrics 2007
回归分析的基本方法
14
(3)估计参数
本例中为了估计MPC,可以用OLS法 本例中为了估计MPC,可以用OLS法。 MPC OLS 具体操作:使用EViews软件包。估计结果为: EViews软件包 具体操作:使用EViews软件包。估计结果为:
__
y i = Yi − Y
Econometrics 2007
回归分析的基本方法
9
最小二乘法、 最小二乘法、相关系数等的数学推导与 公式都那么复杂和繁琐!怎么办? 公式都那么复杂和繁琐!怎么办?
三步走策略:
一、思想 二、操作 三、解释
这就是学习本门课程的技巧! 这就是学习本门课程的技巧!
Econometrics 2007 回归分析的基本方法
Econometrics 2007
回归分析的基本方法
16
注:四种模型检验
一、经济意义检验 二、统计推断检验 三、计量经济学检验 四、模型预测检验

回归模型操作方法

回归模型操作方法

回归模型操作方法
回归模型是一种用来预测连续因变量的统计模型。

常见的回归模型有线性回归、多项式回归、岭回归、Lasso回归等。

下面介绍回归模型的操作方法:
1. 数据准备:首先需要准备好回归分析所需的数据。

数据包括自变量和因变量,自变量是用来预测因变量的变量,因变量是需要被预测的变量。

2. 模型选择:选择适合问题的回归模型。

根据问题的特点和数据的分布选择合适的回归模型,如线性回归模型适用于自变量与因变量之间存在线性关系的情况,多项式回归模型适用于自变量与因变量之间存在非线性关系的情况。

3. 模型训练:使用已选择的回归模型对数据进行训练。

通过最小化损失函数的方法,根据现有数据来估计模型的参数,得到回归模型。

4. 模型评估:对训练得到的回归模型进行评估。

可以使用各种评估指标,如均方误差(MSE)、决定系数(R squared)等,来评估模型的预测效果。

5. 模型应用:使用训练好的回归模型来进行预测。

将新的自变量输入到回归模型中,通过模型公式计算得到对应的因变量预测值。

6. 模型调优:如果发现模型的表现不理想,可以通过调整模型的参数或选择其他回归模型进行优化。

以上是回归模型的一般操作步骤,具体操作方法还需根据具体问题和数据进行调整。

Stata空间计量命令汇总及具体操作方法指南

Stata空间计量命令汇总及具体操作方法指南

Stata空间计量命令汇总及具体操作方法指南空间计量经济学创造性地处理了经典计量方法在面对空间数据时的缺陷,考察了数据在地理观测值之间的关联。

近年来在人文社会科学空间转向的大背景下,空间计量已成为空间综合人文学和社会科学研究的基础理论与方法,尤其在区域经济、房地产、环境、人口、旅游、地理、政治等领域,空间计量成为开展定量研究的必备技能。

1、空间计量建模步骤空间统计分析:构建空间权重矩阵后,进行探索性空间统计分析:包括空间相关性检验(全局空间自相关和局部空间自相关等);空间计量分析:空间计量模型的回归与检验(SAR,SEM,SAC 等模型估计和检验等)。

空间滞后模型(Spatial Lag Model,SLM)主要是探讨各变量在一地区是否有扩散现象(溢出效应)。

其模型表达式为:参数反映了自变量对因变量的影响,空间滞后因变量是一内生变量,反映了空间距离对区域行为的作用。

区域行为受到文化环境及与空间距离有关的迁移成本的影响,具有很强的地域性(Anselin et al.,1996)。

由于SLM模型与时间序列中自回归模型相类似,因此SLM也被称作空间自回归模型(Spatial Autoregressive Model,SAR)。

空间误差模型(Spatial Error Model,SEM)存在于扰动误差项之中的空间依赖作用,度量了邻近地区关于因变量的误差冲击对本地区观察值的影响程度。

由于SEM模型与时间序列中的序列相关问题类似,也被称为空间自相关模型(Spatial Autocorrelation Model,SAC)。

估计技术:鉴于空间回归模型由于自变量的内生性,对于上述两种模型的估计如果仍采用OLS,系数估计值会有偏或者无效,需要通过IV、ML或GLS、GMM等其他方法来进行估计。

Anselin (1988)建议采用极大似然法估计空间滞后模型(SLM)和空间误差模型(SEM)的参数。

空间自相关检验与SLM、SEM的选择:判断地区间创新产出行为的空间相关性是否存在,以及SLM和SEM那个模型更恰当,一般可通过包括Moran’s I检验、两个拉格朗日乘数(Lagrange Multiplier)形式LMERR、LMLAG及其稳健(Robust)的R-LMERR、R-LMLAG)等形式来实现。

回归分析的回归方法

回归分析的回归方法

回归分析的回归方法回归分析是一种用于建立两个或多个变量之间关系的统计模型的方法。

在回归分析中,我们希望通过对自变量的观测来估计因变量的值。

回归方法主要包括线性回归、非线性回归和多元回归等不同类型。

线性回归是最常用的回归方法之一,它建立了自变量与因变量之间的线性关系。

线性回归的基本模型可以描述为:Y = β0 + β1X1 + β2X2 + …+ ε其中,Y表示因变量的值,X1、X2等表示自变量的值,β0、β1、β2等表示回归系数,ε表示随机误差。

线性回归的目标是通过最小化误差项ε的平方和来估计回归系数的值,从而建立自变量与因变量之间的线性关系。

线性回归分析可以用于预测和解释因变量的变化。

非线性回归是建立自变量与因变量之间非线性关系的回归方法。

在非线性回归中,回归模型可以是指数、对数、幂函数等非线性形式。

与线性回归不同,非线性回归需要通过迭代等方法估计回归系数的值。

非线性回归广泛应用于多种领域,如生物学、经济学和工程学等。

多元回归是一种建立多个自变量与因变量之间关系的回归方法。

多元回归的基本模型可以描述为:Y = β0 + β1X1 + β2X2 + …+ βnXn + ε多元回归与线性回归的不同之处在于,它可以考虑多个自变量对因变量的影响,并且可以控制其他自变量的影响。

多元回归可以帮助我们更好地理解因变量的变化,并进行更精确的预测。

回归分析的应用非常广泛。

在经济学中,回归分析可以用于预测消费支出、部门收入和国内生产总值等经济指标。

在市场营销中,回归分析可以用于预测销售量和消费者偏好等。

在医学研究中,回归分析可以用于分析药物治疗效果和疾病发展趋势等。

在进行回归分析时,需要注意一些问题。

首先,回归分析要求因变量与自变量之间存在一定的线性或非线性关系。

如果没有明确的关系,回归分析可能不适用。

其次,回归模型的建立需要根据实际情况选择合适的自变量和因变量,并进行数据采集和处理。

此外,回归分析还需要考虑自变量之间的多重共线性和误差项的独立性等。

空间计量 流程

空间计量 流程

空间计量流程
空间计量的流程包括以下步骤:
1.确定研究问题:明确研究目的和主题,确定需要解决的空间计量问题。

2.数据收集:收集相关数据,包括地理空间数据、社会经济数据、人口数据等。

3.数据预处理:对收集到的数据进行清洗、整理和转换,使其满足空间计量分析
的要求。

4.空间权重矩阵:根据研究问题建立空间权重矩阵,用于描述地理空间中各要素
之间的相互关系。

5.空间自相关分析:利用统计方法和可视化技术,检验空间依赖性,确定是否存
在空间自相关。

6.建立空间计量模型:根据研究问题和数据特征,选择合适的空间计量模型,如
空间滞后模型、空间误差模型等。

7.模型估计与检验:对选定的空间计量模型进行参数估计和检验,确保模型的适
用性和准确性。

8.结果解释与讨论:对模型估计结果进行解释,探讨空间因素对研究问题的作用
机制和影响程度。

9.结论与建议:总结研究结果,提出相应的政策建议和实践指导。

以上是空间计量的基本流程,具体操作还需根据研究问题和数据特点进行调整和完善。

同时,需要注重数据的准确性和可靠性,以及模型的适用性和科学性,为研究结果的准确性和可靠性提供保障。

回归测试过程的步骤

回归测试过程的步骤

回归测试过程的步骤嘿,咱今儿个就来聊聊回归测试过程的那些个步骤。

你说回归测试像不像给一个机器做全面体检呀?咱得一步一步来,可不能马虎。

首先呢,就是要确定回归测试的范围。

这就好比你要去一个地方玩,得先知道要去哪些景点吧。

咱得把那些可能受影响的部分都给找出来,一个都不能少。

不然,万一漏了啥重要的,那不就麻烦啦!然后呢,得准备好测试用例。

这就跟你去打仗得准备好武器一样。

这些测试用例就是咱的武器,得好好挑选,得是厉害的、能发现问题的。

接着,就该执行测试啦。

这时候就得认真啦,可不能马马虎虎的。

就像你做数学题,得一步步算清楚,不然答案错了可就糟糕咯。

每一个测试用例都得好好跑一遍,看看是不是都没问题。

测试完了,就得检查结果啦。

这可不能随便看看就算了,得仔细分析。

就像医生看检查报告一样,得看出个所以然来。

如果发现问题了,那可不能不管,得赶紧想办法解决呀。

解决完问题,还没完呢。

还得再做一次回归测试,看看问题是不是真的解决了。

这就像你病好了,还得再去医院复查一下,确保真的好了才行。

这一步步下来,可真不容易呀。

但咱不能嫌麻烦,回归测试可是很重要的呢。

要是没做好,说不定以后就会出大问题。

你想想,要是一个软件上线了,结果因为回归测试没做好,出了一堆问题,那得多糟糕呀!用户肯定会不满意,那损失可就大啦。

所以呀,咱对待回归测试就得像对待宝贝一样,精心呵护,认真对待。

可不能随随便便就应付过去啦。

总之呢,回归测试过程的步骤虽然有点麻烦,但都是为了保证软件的质量呀。

咱可不能偷懒,得一步一个脚印地做好每一步。

这样,才能让我们的软件像钢铁侠一样厉害,无坚不摧呀!你说是不是呢?。

空间计量学模型选择的步骤

空间计量学模型选择的步骤

空间计量学模型选择的步骤选择空间计量学模型的步骤可以分为以下几个:1. 定义研究问题和目标:明确研究的问题和目标,确定需要分析的空间关系是什么,以及希望从数据中得出什么样的结论。

2. 数据收集与处理:收集所需的空间数据,并对其进行处理和清洗。

这包括数据的获取、整理、转换和清理等过程。

3. 探索性空间数据分析(Exploratory Spatial Data Analysis,ESDA):使用可视化和描述性统计方法,对空间数据的空间分布特征进行分析,包括局部空间自相关、全局空间自相关、空间聚类等指标。

4. 空间计量模型选择:根据研究问题和目标,选择合适的空间计量模型。

常见的空间计量模型包括空间自回归模型(Spatial Autoregressive Model,SAR)、空间误差模型(Spatial Error Model,SEM)、空间滤波模型(Spatial Filtering Model)等。

根据数据的特点、模型的假设和要求等因素进行模型选择。

5. 模型估计与检验:对选择的空间计量模型进行参数估计和统计检验,检验模型的拟合程度和假设前提的合理性。

常见的估计方法包括最大似然估计和广义矩估计等。

6. 结果解释与推断:根据模型估计的结果,解释和推断空间数据之间的关系,得出研究问题的结论。

可以使用空间依存函数、空间残差图等方法,对模型的结果进行解读和验证。

7. 敏感性分析和模型改进:根据对结果的敏感性分析,对模型进行改进和优化,比如引入额外的变量或考虑非线性关系等。

检验改进后的模型是否更能解释数据和得出合理的结论。

8. 结果应用和决策支持:将分析结果应用于实际问题和决策过程中,提供决策支持和政策建议。

  1. 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. 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. 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)。

与MATLAB链接:Excel:选项——加载项——COM加载项——转到——没有勾选项2. MATLAB安装目录中寻找toolbox——exlink——点击,启用宏E:\MATLAB\toolbox\exlink然后,Excel中就出现MATLAB工具(注意Excel中的数据:)3.启动matlab(1)点击start MATLAB(2)senddata to matlab ,并对变量矩阵变量进行命名(注意:选取变量为数值,不包括各变量)(data表中数据进行命名)(空间权重进行命名)(3)导入MATLAB中的两个矩阵变量就可以看见4.将elhorst和jplv7两个程序文件夹复制到MATLAB安装目录的toolbox文件夹5.设置路径:6.输入程序,得出结果T=30;N=46;W=normw(W1);y=A(:,3);x=A(:,[4,6]);xconstant=ones(N*T,1);[nobs K]=size(x);results=ols(y,[xconstant x]);vnames=strvcat('logcit','intercept','logp','logy');prt_reg(results,vnames,1);sige=*((nobs-K)/nobs);loglikols=-nobs/2*log(2*pi*sige)-1/(2*sige)*'*% The (robust)LM tests developed by ElhorstLMsarsem_panel(results,W,y,[xconstant x]); % (Robust) LM tests 解释每一行分别表示:附录:静态面板空间计量经济学一、OLS静态面板编程1、普通面板编程T=30;N=46;W=normw(W1);y=A(:,3);x=A(:,[4,6]);xconstant=ones(N*T,1);[nobs K]=size(x);results=ols(y,[xconstant x]);vnames=strvcat('logcit','intercept','logp','logy'); prt_reg(results,vnames,1);sige=*((nobs-K)/nobs);loglikols=-nobs/2*log(2*pi*sige)-1/(2*sige)*'*% The (robust)LM tests developed by ElhorstLMsarsem_panel(results,W,y,[xconstant x]); % (Robust) LM tests2、空间固定OLS (spatial-fixed effects)T=30;N=46;W=normw(W1);y=A(:,3);x=A(:,[4,6]);xconstant=ones(N*T,1);[nobs K]=size(x);model=1;[ywith,xwith,meanny,meannx,meanty,meantx]=demean(y,x,N,T,model );results=ols(ywith,xwith);vnames=strvcat('logcit','logp','logy'); % should be changed if x isprt_reg(results,vnames);sfe=meanny-meannx*; % including the constant termyme = y - mean(y);et=ones(T,1);error=y-kron(et,sfe)-x*;rsqr1 = error'*error;rsqr2 = yme'*yme;FE_rsqr2 = - rsqr1/rsqr2 % r-squared including fixed effects sige=*((nobs-K)/nobs);logliksfe=-nobs/2*log(2*pi*sige)-1/(2*sige)*'*LMsarsem_panel(results,W,ywith,xwith); % (Robust) LM tests3、时期固定OLS(time-period fixed effects)T=30;N=46;W=normw(W1);x=A(:,[4,6]);xconstant=ones(N*T,1);[nobs K]=size(x);model=2;[ywith,xwith,meanny,meannx,meanty,meantx]=demean(y,x,N,T,model );results=ols(ywith,xwith);vnames=strvcat('logcit','logp','logy'); % should be changed if x is changedprt_reg(results,vnames);tfe=meanty-meantx*; % including the constant termyme = y - mean(y);en=ones(N,1);error=y-kron(tfe,en)-x*;rsqr1 = error'*error;rsqr2 = yme'*yme;FE_rsqr2 = - rsqr1/rsqr2 % r-squared including fixed effectssige=*((nobs-K)/nobs);logliktfe=-nobs/2*log(2*pi*sige)-1/(2*sige)*'*LMsarsem_panel(results,W,ywith,xwith); % (Robust) LM tests4、空间与时间双固定模型T=30;N=46;W=normw(W1);y=A(:,3);x=A(:,[4,6]);xconstant=ones(N*T,1);[nobs K]=size(x);model=3;[ywith,xwith,meanny,meannx,meanty,meantx]=demean(y,x,N,T,model );results=ols(ywith,xwith);vnames=strvcat('logcit','logp','logy'); % should be changed if x is changedprt_reg(results,vnames)en=ones(N,1);et=ones(T,1);intercept=mean(y)-mean(x)*;sfe=meanny-meannx*(en,intercept);tfe=meanty-meantx*(et,intercept);yme = y - mean(y);ent=ones(N*T,1);error=y-kron(tfe,en)-kron(et,sfe)-x*(ent,intercept);rsqr1 = error'*error;rsqr2 = yme'*yme;FE_rsqr2 = - rsqr1/rsqr2 % r-squared including fixed effects sige=*((nobs-K)/nobs);loglikstfe=-nobs/2*log(2*pi*sige)-1/(2*sige)*'*LMsarsem_panel(results,W,ywith,xwith); % (Robust) LM tests二、静态面板SAR模型1、无固定效应(No fixed effects)T=30;N=46;W=normw(W1);y=A(:,[3]);x=A(:,[4,6]);for t=1:Tt1=(t-1)*N+1;t2=t*N;wx(t1:t2,:)=W*x(t1:t2,:);endxconstant=ones(N*T,1);[nobs K]=size(x);=0;=0;=0;results=sar_panel_FE(y,[xconstant x],W,T,info);vnames=strvcat('logcit','intercept','logp','logy');prt_spnew(results,vnames,1)% Print out effects estimatesspat_model=0;direct_indirect_effects_estimates(results,W,spat_model);panel_effects_sar(results,vnames,W);2、空间固定效应(Spatial fixed effects)T=30;N=46;W=normw(W1);y=A(:,[3]);x=A(:,[4,6]);for t=1:Tt1=(t-1)*N+1;t2=t*N;wx(t1:t2,:)=W*x(t1:t2,:);endxconstant=ones(N*T,1);[nobs K]=size(x);=0;=1;=0;results=sar_panel_FE(y,x,W,T,info);vnames=strvcat('logcit','logp','logy');prt_spnew(results,vnames,1)% Print out effects estimatesspat_model=0;direct_indirect_effects_estimates(results,W,spat_model); panel_effects_sar(results,vnames,W);3、时点固定效应(Time period fixed effects)T=30;N=46;W=normw(W1);y=A(:,[3]);x=A(:,[4,6]);for t=1:Tt1=(t-1)*N+1;t2=t*N;wx(t1:t2,:)=W*x(t1:t2,:);endxconstant=ones(N*T,1);[nobs K]=size(x);=0; % required for exact results=2;=0; % Do not print intercept and fixed effects; use =1 to turn on results=sar_panel_FE(y,x,W,T,info);vnames=strvcat('logcit','logp','logy');prt_spnew(results,vnames,1)% Print out effects estimatesspat_model=0;direct_indirect_effects_estimates(results,W,spat_model);panel_effects_sar(results,vnames,W);4、双固定效应(Spatial and time period fixed effects)N=46;W=normw(W1);y=A(:,[3]);x=A(:,[4,6]);for t=1:Tt1=(t-1)*N+1;t2=t*N;wx(t1:t2,:)=W*x(t1:t2,:);endxconstant=ones(N*T,1);[nobs K]=size(x);=0; % required for exact results=3;=0; % Do not print intercept and fixed effects; use =1 to turn on results=sar_panel_FE(y,x,W,T,info);vnames=strvcat('logcit','logp','logy');prt_spnew(results,vnames,1)% Print out effects estimatesspat_model=0;direct_indirect_effects_estimates(results,W,spat_model);panel_effects_sar(results,vnames,W);三、静态面板SDM模型1、无固定效应(No fixed effects)N=46;W=normw(W1);y=A(:,[3]);x=A(:,[4,6]);for t=1:Tt1=(t-1)*N+1;t2=t*N;wx(t1:t2,:)=W*x(t1:t2,:);endxconstant=ones(N*T,1);[nobs K]=size(x);=0;=0;=0;results=sar_panel_FE(y,[xconstant x wx],W,T,info);vnames=strvcat('logcit','intercept','logp','logy','W*logp','W*logy'); prt_spnew(results,vnames,1)% Print out effects estimatesspat_model=1;direct_indirect_effects_estimates(results,W,spat_model);panel_effects_sdm(results,vnames,W);2、空间固定效应(Spatial fixed effects)T=30;N=46;W=normw(W1);y=A(:,[3]);x=A(:,[4,6]);for t=1:Tt1=(t-1)*N+1;t2=t*N;wx(t1:t2,:)=W*x(t1:t2,:);endxconstant=ones(N*T,1);[nobs K]=size(x);=0; % required for exact results=1;=0; % Do not print intercept and fixed effects; use =1 to turn on results=sar_panel_FE(y,[x wx],W,T,info);vnames=strvcat('logcit','logp','logy','W*logp','W*logy');prt_spnew(results,vnames,1)% Print out effects estimatesspat_model=1;direct_indirect_effects_estimates(results,W,spat_model);panel_effects_sdm(results,vnames,W);3、时点固定效应(Time period fixed effects)T=30;N=46;W=normw(W1);y=A(:,[3]);for t=1:Tt1=(t-1)*N+1;t2=t*N;wx(t1:t2,:)=W*x(t1:t2,:);endxconstant=ones(N*T,1);[nobs K]=size(x);=0; % required for exact results=2;=0; % Do not print intercept and fixed effects; use =1 to turn on % New routines to calculate effects estimatesresults=sar_panel_FE(y,[x wx],W,T,info);vnames=strvcat('logcit','logp','logy','W*logp','W*logy');% Print out coefficient estimatesprt_spnew(results,vnames,1)% Print out effects estimatesspat_model=1;direct_indirect_effects_estimates(results,W,spat_model);panel_effects_sdm(results,vnames,W)4、双固定效应(Spatial and time period fixed effects)T=30;N=46;W=normw(W1);y=A(:,[3]);for t=1:Tt1=(t-1)*N+1;t2=t*N;wx(t1:t2,:)=W*x(t1:t2,:);endxconstant=ones(N*T,1);[nobs K]=size(x);=0;=0; % required for exact results=3;=0; % Do not print intercept and fixed effects; use =1 to turn on results=sar_panel_FE(y,[x wx],W,T,info);vnames=strvcat('logcit','logp','logy','W*logp','W*logy');prt_spnew(results,vnames,1)% Print out effects estimatesspat_model=1;direct_indirect_effects_estimates(results,W,spat_model);panel_effects_sdm(results,vnames,W)wald test spatial lag% Wald test for spatial Durbin model against spatial lag model btemp=;varcov=;Rafg=zeros(K,2*K+2);for k=1:KRafg(k,K+k)=1; % R(1,3)=0 and R(2,4)=0;endWald_spatial_lag=(Rafg*btemp)'*inv(Rafg*varcov*Rafg')*Rafg*btempprob_spatial_lag=1-chis_cdf (Wald_spatial_lag, K)wald test spatial error% Wald test spatial Durbin model against spatial error modelR=zeros(K,1);for k=1:KR(k)=btemp(2*K+1)*btemp(k)+btemp(K+k); % k changed in 1, 7/12/2010 % R(1)=btemp(5)*btemp(1)+btemp(3);% R(2)=btemp(5)*btemp(2)+btemp(4);endRafg=zeros(K,2*K+2);for k=1:KRafg(k,k) =btemp(2*K+1); % k changed in 1, 7/12/2010Rafg(k,K+k) =1;Rafg(k,2*K+1)=btemp(k);% Rafg(1,1)=btemp(5);Rafg(1,3)=1;Rafg(1,5)=btemp(1);% Rafg(2,2)=btemp(5);Rafg(2,4)=1;Rafg(2,5)=btemp(2);endWald_spatial_error=R'*inv(Rafg*varcov*Rafg')*Rprob_spatial_error=1-chis_cdf (Wald_spatial_error,K)LR test spatial lagresultssar=sar_panel_FE(y,x,W,T,info);LR_spatial_lag=-2* (LR_spatial_lag,K)LR test spatial errorresultssem=sem_panel_FE(y,x,W,T,info);LR_spatial_error=-2* (LR_spatial_error,K)5、空间随机效应与时点固定效应模型T=30;N=46;W=normw(W1);y=A(:,[3]);x=A(:,[4,6]);for t=1:Tt1=(t-1)*N+1;t2=t*N;wx(t1:t2,:)=W*x(t1:t2,:);endxconstant=ones(N*T,1);[nobs K]=size(x);[ywith,xwith,meanny,meannx,meanty,meantx]=demean(y,[x wx],N,T,2); %2=time dummies=1;results=sar_panel_RE(ywith,xwith,W,T,info);prt_spnew(results,vnames,1)spat_model=1;direct_indirect_effects_estimates(results,W,spat_model);panel_effects_sdm(results,vnames,W)wald test spatial lagbtemp=(1:2*K+2);varcov=(1:2*K+2,1:2*K+2);Rafg=zeros(K,2*K+2);for k=1:KRafg(k,K+k)=1; % R(1,3)=0 and R(2,4)=0;endWald_spatial_lag=(Rafg*btemp)'*inv(Rafg*varcov*Rafg')*Rafg*btempprob_spatial_lag= 1-chis_cdf (Wald_spatial_lag, K)wald test spatial errorR=zeros(K,1);for k=1:KR(k)=btemp(2*K+1)*btemp(k)+btemp(K+k); % k changed in 1, 7/12/2010% R(1)=btemp(5)*btemp(1)+btemp(3);% R(2)=btemp(5)*btemp(2)+btemp(4);endRafg=zeros(K,2*K+2);for k=1:KRafg(k,k) =btemp(2*K+1); % k changed in 1, 7/12/2010 Rafg(k,K+k) =1;Rafg(k,2*K+1)=btemp(k);% Rafg(1,1)=btemp(5);Rafg(1,3)=1;Rafg(1,5)=btemp(1);% Rafg(2,2)=btemp(5);Rafg(2,4)=1;Rafg(2,5)=btemp(2);endWald_spatial_error=R'*inv(Rafg*varcov*Rafg')*Rprob_spatial_error= 1-chis_cdf (Wald_spatial_error,K)LR test spatial lagresultssar=sar_panel_RE(ywith,xwith(:,1:K),W,T,info);LR_spatial_lag=-2* (LR_spatial_lag,K)LR test spatial errorresultssem=sem_panel_RE(ywith,xwith(:,1:K),W,T,info);LR_spatial_error=-2* (LR_spatial_error,K)四、静态面板SEM模型1、无固定效应(No fixed effects)T=30;N=46;W=normw(W1);y=A(:,[3]);x=A(:,[4,6]);for t=1:Tt1=(t-1)*N+1;t2=t*N;wx(t1:t2,:)=W*x(t1:t2,:);endxconstant=ones(N*T,1);[nobs K]=size(x);=0;=0;=0;results=sem_panel_FE(y,[xconstant x],W,T,info);vnames=strvcat('logcit','intercept','logp','logy');prt_spnew(results,vnames,1)% Print out effects estimatesspat_model=0;direct_indirect_effects_estimates(results,W,spat_model); panel_effects_sar(results,vnames,W);2、空间固定效应(Spatial fixed effects)T=30;N=46;W=normw(W1);y=A(:,[3]);x=A(:,[4,6]);for t=1:Tt1=(t-1)*N+1;t2=t*N;wx(t1:t2,:)=W*x(t1:t2,:);endxconstant=ones(N*T,1);[nobs K]=size(x);=0;=1;=0;results=sem_panel_FE(y,x,W,T,info);vnames=strvcat('logcit','logp','logy');prt_spnew(results,vnames,1)% Print out effects estimatesspat_model=0;direct_indirect_effects_estimates(results,W,spat_model); panel_effects_sar(results,vnames,W);3、时点固定效应(Time period fixed effects)T=30;N=46;W=normw(W1);y=A(:,[3]);x=A(:,[4,6]);for t=1:Tt1=(t-1)*N+1;t2=t*N;wx(t1:t2,:)=W*x(t1:t2,:);endxconstant=ones(N*T,1);[nobs K]=size(x);=0; % required for exact results=2;=0; % Do not print intercept and fixed effects; use =1 to turn on results=sem_panel_FE(y,x,W,T,info);vnames=strvcat('logcit','logp','logy');prt_spnew(results,vnames,1)% Print out effects estimatesspat_model=0;direct_indirect_effects_estimates(results,W,spat_model);panel_effects_sar(results,vnames,W);4、双固定效应(Spatial and time period fixed effects)T=30;N=46;W=normw(W1);y=A(:,[3]);for t=1:Tt1=(t-1)*N+1;t2=t*N;wx(t1:t2,:)=W*x(t1:t2,:);endxconstant=ones(N*T,1);[nobs K]=size(x);=0; % required for exact results=3;=0; % Do not print intercept and fixed effects; use =1 to turn on results=sem_panel_FE(y,x,W,T,info);vnames=strvcat('logcit','logp','logy');prt_spnew(results,vnames,1)% Print out effects estimatesspat_model=0;direct_indirect_effects_estimates(results,W,spat_model);panel_effects_sar(results,vnames,W);五、静态面板SDEM模型1、无固定效应(No fixed effects)T=30;N=46;W=normw(W1);y=A(:,[3]);for t=1:Tt1=(t-1)*N+1;t2=t*N;wx(t1:t2,:)=W*x(t1:t2,:);endxconstant=ones(N*T,1);[nobs K]=size(x);=0;=0;=0;results=sem_panel_FE(y,[xconstant x wx],W,T,info);vnames=strvcat('logcit','intercept','logp','logy','W*logp','W*logy'); prt_spnew(results,vnames,1)% Print out effects estimatesspat_model=1;direct_indirect_effects_estimates(results,W,spat_model);panel_effects_sdm(results,vnames,W);2、空间固定效应(Spatial fixed effects)T=30;N=46;W=normw(W1);y=A(:,[3]);x=A(:,[4,6]);for t=1:Tt1=(t-1)*N+1;t2=t*N;wx(t1:t2,:)=W*x(t1:t2,:);endxconstant=ones(N*T,1);[nobs K]=size(x);=0; % required for exact results=1;=0; % Do not print intercept and fixed effects; use =1 to turn on results=sem_panel_FE(y,[x wx],W,T,info);vnames=strvcat('logcit','logp','logy','W*logp','W*logy');prt_spnew(results,vnames,1)% Print out effects estimatesspat_model=1;direct_indirect_effects_estimates(results,W,spat_model);panel_effects_sdm(results,vnames,W);3、时点固定效应(Time period fixed effects)T=30;N=46;W=normw(W1);y=A(:,[3]);x=A(:,[4,6]);for t=1:Tt1=(t-1)*N+1;t2=t*N;wx(t1:t2,:)=W*x(t1:t2,:);xconstant=ones(N*T,1);[nobs K]=size(x);=0; % required for exact results=2;=0; % Do not print intercept and fixed effects; use =1 to turn on % New routines to calculate effects estimatesresults=sem_panel_FE(y,[x wx],W,T,info);vnames=strvcat('logcit','logp','logy','W*logp','W*logy');% Print out coefficient estimatesprt_spnew(results,vnames,1)% Print out effects estimatesspat_model=1;direct_indirect_effects_estimates(results,W,spat_model);panel_effects_sdm(results,vnames,W)4、双固定效应(Spatial and time period fixed effects)T=30;N=46;W=normw(W1);y=A(:,[3]);x=A(:,[4,6]);for t=1:Tt1=(t-1)*N+1;t2=t*N;wx(t1:t2,:)=W*x(t1:t2,:);xconstant=ones(N*T,1);[nobs K]=size(x);=0;=0; % required for exact results=3;=0; % Do not print intercept and fixed effects; use =1 to turn on results=sem_panel_FE(y,[x wx],W,T,info);vnames=strvcat('logcit','logp','logy','W*logp','W*logy');prt_spnew(results,vnames,1)% Print out effects estimatesspat_model=1;direct_indirect_effects_estimates(results,W,spat_model);panel_effects_sdm(results,vnames,W)。

相关文档
最新文档