191. Uzamsal ekonometrik modeller: SAR, SEM, SAC, SLX, GNS
Şablon kimliği: sac_slx_gns · Kategori: uzamsal · Dil: R · Dosya: pro/sablonlar/uzamsal/sac_slx_gns.R (satır 1–274; üstbilgi 1–112) · Örnek veri: _ornek/columbus.csv · Paketler: spdep 1.4-2, spatialreg 1.4-3, Matrix 1.7-4; isteğe bağlı sphet 2.1-1 (R 4.5.3)
191.1 Ne işe yarar
Komşu birimlerin değerleri birbirine benziyorsa (bir mahallenin suç oranı komşu mahallelerinkine yakınsa), sıradan en küçük kareler (EKK) varsayımları bozulur. Uzamsal ekonometri bu bağımlılığı üç farklı yoldan modeller:
- Yanıtın gecikmesi (\rho\mathbf W\mathbf y): komşunun yanıtı benim yanıtımı etkiler (yayılma, rekabet).
- Hata gecikmesi (\lambda\mathbf W\mathbf u): ölçülmemiş ve uzamsal olarak ilişkili etkenler hata terimine girer.
- Açıklayıcının gecikmesi (\mathbf W\mathbf X\boldsymbol\theta): komşunun açıklayıcıları benim yanıtımı etkiler.
Şablon bu üç bileşenin yedi birleşimini ortaklaşa kestirir (spatialreg, ML) ve Lagrange çarpanı (LM) testleriyle birlikte tek tabloda karşılaştırır:
Bu ifadede \mathbf y n birimin yanıtı, \mathbf X kesişim sütunuyla açıklayıcılar, \mathbf W n\times n uzamsal ağırlık matrisi, \rho uzamsal gecikme (yanıt), \lambda uzamsal hata parametresi, \boldsymbol\theta gecikmeli açıklayıcıların katsayısıdır. GNS (genel iç içe uzamsal model) bütün bileşenleri taşır; öbürleri kısıtlamalarıdır:
| Model | \rho | \lambda | \boldsymbol\theta |
|---|---|---|---|
| SAR (uzamsal gecikme) | serbest | 0 | 0 |
| SEM (uzamsal hata) | 0 | serbest | 0 |
| SAC / SARAR | serbest | serbest | 0 |
| SLX | 0 | 0 | serbest |
| SDM (Durbin) | serbest | 0 | serbest |
| SDEM (Durbin hata) | 0 | serbest | serbest |
| GNS | serbest | serbest | serbest |
Ne zaman kullanılır?
- Birimler konum ya da komşuluk ilişkisiyle bağlıysa (mahalle, ilçe, il) ve EKK artıklarında uzamsal özilinti şüphesi varsa.
- Hangi tür bağımlılığın (yanıt, hata, açıklayıcı) baskın olduğu soruluyorsa: LM testleri ve AIC karşılaştırması.
- Komşu birimlere yayılan etki (doğrudan, dolaylı, toplam) isteniyorsa.
Ne zaman kullanılmaz?
- Katsayıların mekâna göre değişmesi sorulduysa:
mgwr(Bölüm 189). - Birimler panel ise (zaman boyutu):
uzamsal_panel(Bölüm 192). - Birimler ızgara üzerindeki sürekli yüzeyse ya da konumlar nokta desenidir:
es_kriging(Bölüm 187),nokta_sureci_model(Bölüm 190). - Sayım yanıtlı ya da oransal alansal yapı (poligon sayımları) varsa:
alansal_bayes_car(Bölüm 186). - Birim sayısı 10'dan azsa: şablon durur (135).
Temel programla ilişki. Temel programda SAR ve Durbin (SDM), SEM ve Durbin hata (SDEM) modelleri, uzamsal ağırlıklar (k en yakın komşu, uzaklık bandı), Lagrange çarpanı testleri, OLS artıklarında Moran I ve doğrudan/dolaylı etkiler vardır. Bu şablon ek olarak SAC (SARAR), SLX ve GNS modellerini, komşu listesi sütunuyla bitişiklik tanımını, yedi modelin tek tabloda log-olabilirlik ve AIC karşılaştırmasını ve isteğe bağlı GMM kestirimini (Kelejian–Prucha; sphet) sunar.
191.2 Şablonun girdileri
Form, üstbilgideki 15 [[param]] bloğundan kurulur (sac_slx_gns.R:10–111). Türlerin ve ortak denetimin anlamı Bölüm 1.2'de anlatılmıştır.
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Bağımlı değişken · y |
sayısal sütun · Değişkenler | yok | sayısal sütun | y (124, 176). |
Açıklayıcı değişkenler · x |
sütunlar, sayısal, en az 1 · Değişkenler | yok | sayısal sütunlar | \mathbf X (118). |
Komşuluk tanımı · agirlik |
seçim · Model | liste |
liste, knn, uzaklik |
Komşuluğun kuruluş yolu (120, 138). |
Birim kimliği · kimlik |
sütun, zorunlu değil · Değişkenler | boş | benzersiz kimlik | Komşu listesinde eşleşme (140). |
Komşu kimlikleri sütunu · komsu |
sütun, zorunlu değil · Değişkenler | boş | metin ("2 5 6") | Her satırın komşuları (143). |
X koordinatı · xkoord |
sayısal sütun, zorunlu değil · Değişkenler | boş | sayısal | knn, uzaklik (150). |
Y koordinatı · ykoord |
sayısal sütun, zorunlu değil · Değişkenler | boş | sayısal | knn, uzaklik (150). |
k (en yakın komşu sayısı) · k |
tamsayı · Model | 4 | 1–50 | knearneigh(k =) (153–154). |
Uzaklık bandı üst sınırı · bant |
ondalık · Model | 0 | \ge0 | 0 ise herkesin en az bir komşusu olacak en küçük uzaklık (156–157). |
Ağırlık standartlaştırma · stil |
seçim · Model | W |
W, C, S, B |
nb2listw(style =) (166). |
Ayrıntılı raporlanacak model · rapor_model |
seçim · Çıktı | sac |
sar, sem, sac, slx, sdm, sdem, gns |
Hangi modelin tabloları (212). |
SAC'ı GMM ile de kestir · gmm |
onay · Seçenekler | kapalı | açık/kapalı | sphet::spreg (252–264). |
ML Jacobian yöntemi · ml_yontem |
seçim · Gelişmiş | eigen |
eigen, Matrix, LU, Chebyshev, MC |
method = (191). |
Etkiler için benzetim sayısı · etki_R |
tamsayı · Seçenekler | 0 | 0–10000 | impacts(R =) (235–237). |
GMM'de değişen varyansa dayanıklı · gmm_het |
onay · Gelişmiş | açık | açık/kapalı | spreg(het =) (256). |
Şablona özgü denetimler (mq_hata ve notlar), sırasıyla:
- Veri açık değil (116). Bağımlı değişkenden farklı en az bir açıklayıcı yok: "Bağımlı değişkenden farklı en az bir açıklayıcı değişken seçin." (119).
agirlik = listeiken kimlik ya da komşu sütunu boş: "Komşu listesi için birim kimliği ve komşu sütunu seçin." (121). Koordinat tabanlı iken X ya da Y boş: (122).- Yanıt, açıklayıcılar ve komşuluk sütunları birbirinden farklı değil: "Yanıt, açıklayıcılar ve komşuluk sütunları birbirinden farklı olmalı." (123).
- Eksik değerli satır: komşu listesi tabanlıysa hata ("Uzamsal modelde eksik değerli satır bırakılamaz (komşuluk bozulur)"; 126–129); koordinat tabanlıysa satırlar sessizce atılır (132).
- 10'dan az birim (135). Yanıt ya da açıklayıcı sabit: "'…' sabit." (136).
- Komşu listesinde yinelenen kimlik: "Birim kimlikleri benzersiz olmalı." (142); listede veride olmayan kimlik: "Komşu listesinde veride olmayan kimlikler var: …" (144–146).
- Koordinat tabanlıda aynı koordinatta birden çok birim (151); k\ge n (153).
- Komşuluk kurulamazsa "Komşuluk kurulamadı: …" (160). Hiçbir birimin komşusu yok: "Hiçbir birimin komşusu yok." (165).
- Hiçbir uzamsal model kestirilemezse: "Uzamsal modellerin hiçbiri kestirilemedi." (201). Raporlanacak model kestirilemezse not (214–216).
Örnek ayar (ornek_param, 9. satır): y = CRIME, x = INC, HOVAL, agirlik = liste, kimlik = bolge, komsu = komsular, xkoord = X, ykoord = Y.
Tohum. ML kestirimi (eigen, LU, Matrix, Chebyshev) ve GMM deterministiktir. ml_yontem = MC rastgele Monte Carlo log-determinant yaklaşımıdır ve etki_R > 0 benzetime dayanır; ikisi de çalıştırmanın tohumuna bağlıdır (Bölüm 1.3).
191.3 Örnek veri
columbus.csv: Columbus (Ohio) kentinin 49 mahallesi (Anselin, 1988; spdep columbus). Eksik değer yoktur.
| Değişken | Rol | Tür (veri sekmesi) | Özet |
|---|---|---|---|
bolge |
birim kimliği | sayısal | 1–49 |
CRIME |
yanıt | sayısal | 1000 hanede konut hırsızlığı ve araç hırsızlığı; ortalama 35,129; SS 16,732; 0,178–68,892 |
INC |
açıklayıcı | sayısal | hane geliri (bin dolar); ortalama 14,375; SS 5,703; 4,477–31,070 |
HOVAL |
açıklayıcı | sayısal | konut değeri (bin dolar); ortalama 38,436; SS 18,466; 17,9–96,4 |
X, Y |
koordinat | sayısal | mahalle merkezi |
komsular |
komşu kimlikleri | metin | bitişiklik komşu kimlikleri, örneğin "2 5 6" |
Komşu listesi simetriktir; toplam 232 yönlü bağ (116 komşuluk), mahalle başına 2–10 (ortalama 4,73) komşu vardır. Sayısal roller (y, x, koordinat) için veri sekmesinde "kategorik" gelen bir sütun değer olarak aktarılır (Bölüm 1.3). kimlik ve komsu sütunları metin olarak okunur: sayısal bir kimlik as.character ile metne çevrildiği için 100000 gibi yuvarlak değerler "1e+05" olur (bulgular/sac_slx_gns.md B3); örnekte kimlikler 1–49'dur ve etkilenmez.
Bölümde kullanılan çalıştırmalar:
| Ad | Ayar |
|---|---|
ornek |
örnek ayar (rapor modeli SAC) |
sar, sem, slx, sdm, sdem, gns |
rapor_model |
gmm |
gmm açık |
etki |
rapor_model = sar, etki_R = 300 |
knn, uzaklik |
agirlik = knn (k=4); uzaklik (\text{bant}=0) |
stilC, stilB, stilS |
stil |
lu, matrix, cheb, mc |
ml_yontem |
kimliksiz, kbuyuk |
denetim hataları (191.8) |
191.4 Yöntem: formüller ve hesap adımları
Hesap şu sırayladır: açıklayıcılar ve yanıt seçilir; komşuluk (nb) kurulur ve simetrikleştirilir; ağırlık stiliyle listw oluşturulur; EKK ve LM testleri; yedi model ML ile kestirilir; log-olabilirlik ve AIC tablosu; seçilen modelin katsayıları ve (gecikmeli modellerde) etkiler; isteğe bağlı GMM; artıkların Moran I'sı ve saçılım grafiği.
191.4.1 Komşuluk ve ağırlık matrisi
liste yolunda her satırın komşu kimlikleri [[:space:],;]+ ayracıyla bölünür ve kimliklerle eşlenir (140–148); knn yolunda koordinatlardan k en yakın komşu (knn2nb, 151); uzaklik yolunda (0,\,\text{bant}] uzaklık bandı (dnearneigh, 154). Komşuluk simetrikleştirilir (make.sym.nb, 158; i,\ j'nin komşusuysa j de i'nin komşusu). Bant 0 ise, herkesin en az bir komşusu olacak en küçük uzaklık alınır: en yakın komşu uzaklıklarının en büyüğü (\times(1+10^{-9}), 153).
Bu ifadede b_{ij}=1 ise i ve j komşudur, değilse 0. W satır standartlaştırması her satırı 1'e toplar; C genel standartlaştırmadır (bütün ağırlıkların toplamı n); B ikilidir. S Tiefelsdorf ve ark. (1999) varyans dengeleyici kodlamadır. Satır standartlaştırılmış \mathbf W'nin özdeğerleri \le1 olduğundan \rho için geçerli aralık (1/\omega_{\min},\,1)'dir (örnekte (-1{,}536;\ 1)).
Koddaki tercih
nb2listw(nb, style = P$stil, zero.policy = TRUE) (166). zero.policy = TRUE: komşusuz birim hata vermez; konsolda "komşusuz birim k" yazılır (167–170) ve komşusuz birimin gecikmesi 0 olur. liste yolunda her zaman "komşu listesi simetrikleştirildi" notu yazılır (173), liste zaten simetrik olsa bile.
Satır standartlaştırılmamış stillerde LM testleri geçersiz
lm.RStests ağırlık matrisinin satır standartlaştırılmış olmasını ister; B, C ve S stillerinde spdep "Spatial weights matrix not row standardized" uyarısı verir ve test istatistikleri geçersizdir. Bu yüzden şablon, stil W değilse LM testlerini aynı komşulukların satır standartlaştırılmış (W) ağırlığıyla hesaplar, çıktıya "Lagrange çarpanı testleri yalnız satır standartlaştırılmış (W) ağırlıkla geçerlidir …" uyarısını yazar ve tablo başlığına "(satır standartlaştırılmış W ile)" ekler (178–183). Örnekte LM-gecikme W ile 9{,}36 çıkar; B stiliyle doğrudan hesap 13{,}79 verirdi ve yorumlanmamalıdır. ML kestirimleri her stilde hesaplanır, ama ρ ve λ'nın geçerli aralığı stile bağlıdır (stilB, SAC: \hat\rho=-0{,}109, \hat\lambda=0{,}162 ve \lambda'nın SH'si 0{,}005: anlamlı görünür, yorumlanamaz).
191.4.2 EKK artıklarında LM testleri
EKK artıklarından \mathbf e, \hat\sigma^2=\mathbf e'\mathbf e/n ile (Anselin ve ark., 1996):
Bu ifadede \mathbf M=\mathbf I-\mathbf X(\mathbf X'\mathbf X)^{-1}\mathbf X', \mathrm{LM}_\lambda uzamsal hata ("LM-hata", RSerr), \mathrm{LM}_\rho uzamsal gecikme ("LM-gecikme", RSlag) sınamasıdır; ikisi de \chi^2_1'dir. Örnekte T=23{,}294.
Sağlam (düzeltilmiş) sürümler ve ortak test (Anselin ve ark., 1996), D=\mathbf e'\mathbf W\mathbf e/\hat\sigma^2, G=\mathbf e'\mathbf W\mathbf y/\hat\sigma^2 olmak üzere:
Bu ifadede sağlam testler diğer bileşenin varlığına karşı düzeltilmiştir: \mathrm{LM}^*_\lambda gecikmeye karşı sağlam hata testi, \mathrm{LM}^*_\rho hataya karşı sağlam gecikme testidir. Karar kuralı (Anselin ve ark., 1996): iki klasik test de anlamlıysa sağlam sürümlerden daha anlamlı olanın modeli seçilir. Örnekte (W): \mathrm{LM}_\lambda=5{,}723, \mathrm{LM}_\rho=9{,}364, \mathrm{LM}^*_\lambda=0{,}079 (p=0{,}78), \mathrm{LM}^*_\rho=3{,}720 (p=0{,}054), SARMA 9{,}443 — gecikme yönü.
191.4.3 Eniyileme: yoğunlaştırılmış olabilirlik
Bütün modeller için \boldsymbol\beta ve \sigma^2 yoğunlaştırılır, yalnız \rho ve \lambda üzerinde eniyilenir. \mathbf A=\mathbf I-\rho\mathbf W, \mathbf B=\mathbf I-\lambda\mathbf W, \mathbf Z=[\mathbf 1,\mathbf X,\mathbf W\mathbf X] (SLX, SDM, SDEM, GNS'te \mathbf W\mathbf X ile; öbürlerinde yalnız [\mathbf 1,\mathbf X]):
Bu ifadede \ln|\mathbf A|=\sum_i\ln(1-\rho\,\omega_i) (\omega_i, \mathbf W'nin özdeğerleri); bu Jacobian terimi ml_yontem = eigen ile özdeğerlerle tam hesaplanır (Ord, 1975). AIC =-2\ell+2k; k katsayı sayısına \rho, \lambda ve \sigma^2 eklenerek bulunur (örnekte OLS 4, SAR 5, SAC 6, SLX 6, SDM 7, GNS 8). Eniyileme tek boyutlu ya da iki boyutludur; spatialreg varsayılan toleransı 10^{-8} mertebesindedir (bağımsız eniyilemeyle örtüşme 10^{-5} içinde, 191.6).
Koddaki tercih
lagsarlm (SAR; type = "mixed" SDM), errorsarlm (SEM; Durbin = TRUE SDEM), sacsarlm (SAC; type = "sacmixed" GNS), lmSLX (SLX, EKK) (194–200). Her çağrı zero.policy = TRUE, method = my ile yapılır; hata veren model NULL olur ve iletisi toplanır (190). Matrix ve Chebyshev yöntemleri simetrik ağırlık matrisi ister; satır standartlaştırılmış \mathbf W simetrik olmadığından bu yüzden şablon komşuluğun simetri bilgisini kendisi işaretler (make.sym.nb bu özniteliği güncellemez; 161–163) ve spatialreg satır standartlaştırmayı simetrik benzer matrisle çözer: Matrix ve Chebyshev ile yedi modelin hepsi kurulur (örnekte SAR \hat\rho: eigen 0{,}4310, Matrix 0{,}4310, Chebyshev 0{,}4311; SAC için Moran I yine 0{,}0059). MC yaklaşıktır: örnekte \rho_{\text{SAR}}=0{,}4265 (eigen: 0{,}4310).
191.4.4 Etkiler: doğrudan, dolaylı, toplam
Gecikmeli modellerde (\rho\ne0) bir açıklayıcının katsayısı onun yanıt üzerindeki etkisi değildir: bir birimdeki değişiklik komşular aracılığıyla geri döner. LeSage ve Pace (2009):
Bu ifadede \mathbf S_k, x_k üzerindeki bir değişikliğin bütün birimlerin yanıtındaki etkisini veren n\times n matristir; doğrudan etki köşegenin ortalaması (birimin kendi değişikliğinin kendine etkisi, geri bildirim dahil), toplam etki satır toplamlarının ortalamasıdır. SAR ve SAC'ta \theta_k=0 (SAC'ta \lambda etkileri değiştirmez). SLX ve SDEM'de \rho=0 olduğundan doğrudan etki \beta_k, dolaylı etki \theta_k'dır ve şablon bunlar için etki tablosu yazmaz (248). Örnekte SAR (etki): INC için doğrudan -1{,}0860, dolaylı -0{,}7271, toplam -1{,}8131; katsayı -1{,}0316.
etki_R > 0 ise impacts(R =) ile benzetim tabanlı SH ve p eklenir (237–243): doğrudan, dolaylı ve toplam için ayrı SH ve p sütunları. Örnekte (R=300, SAR): INC dolaylı SH 0{,}4028, p=0{,}0547.
191.4.5 GMM ve artık Moran I
gmm açıksa SAC modeli sphet::spreg(model = "sarar", het = P$gmm_het) ile GMM ile de kestirilir (Kelejian ve Prucha, 1998, 1999; Arraiz ve ark., 2010): \lambda ve \rho ML yerine momentlerle, hataların değişen varyansına dayanıklı biçimde kestirilir. sphet'in çıktısında gecikme parametresi lambda, hata parametresi rho adıyla gelir (sphet'in adlandırması: lag modelinde lambda yanıt gecikmesidir; bu bölümde bağımsız denetlendi); şablon tabloda bunları rho (W·y) ve lambda (W·u) olarak yeniden adlandırır (259).
Son satır, seçilen modelin artıklarının Moran I'sıdır (moran.test, rassallaştırma varsayımı, tek yönlü p): artık = modelin yenilikleri (spatialreg residuals; SAC'ta \mathbf B(\mathbf A\mathbf y-\mathbf Z\hat{\boldsymbol\beta})). Örnekte SAC için I=0{,}0059 (p=0{,}384); bağımsız hesapla aynı değer (0{,}00587, p=0{,}38400). Model kestirilemediğinde artıklar OLS artıklarıdır ve satır "EKK (OLS) modelinin (seçilen model kestirilemedi) artıklarında" der (266–270).
191.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 113–136 | Paketler; sütun, eksik değer ve boyut denetimleri; \mathbf y, \mathbf X, kimlik/koordinat sütunları d'ye. |
Liste yolunda eksik hata, koordinat yolunda sessiz atma (127–133). |
| 138–160 | Komşuluk (liste, knn, dnearneigh). |
bant = 0 ise en büyük 1-NN uzaklığı (156). |
| 161–173 | Simetrikleştirme, listw, özet satırı. |
Komşusuz birim sayısı yazılır. |
| 175–188 | Formül; EKK; lm.RStests. |
Stil W değilse LM testleri satır standartlaştırılmış ağırlıkla hesaplanır ve bildirilir. |
| 189–210 | Yedi model; log-olabilirlik ve AIC tablosu. | Kurulamayan model NA satırı olur. |
| 212–250 | Seçilen model: katsayı tablosu (\rho, \lambda önce), etkiler. | SLX, SDEM için yalnız not (248). |
| 252–264 | GMM (sphet kuruluysa). | sphet yoksa not (254). |
| 266–273 | Artık Moran I ve Moran saçılım grafiği. | Model kestirilemezse satır "EKK (OLS) modelinin" der. |
Çıktı tabloları: EKK artıklarında LM testleri; model karşılaştırması; seçilen modelin katsayıları; (gecikmeli modellerde) etkiler; (GMM açıksa) GMM tablosu. Bir şekil.
191.6 Elle hesap: örnek veride bağımsız yeniden hesap
Doğrulama spdep ve spatialreg kullanılmadan yapılmıştır: dogrulama/sac_slx_gns/elle_hesap.py (numpy/scipy; \mathbf W komşu metninden kurulur, yoğunlaştırılmış olabilirlik özdeğerlerle, LM testleri, etkiler ve Moran I açık formüllerle) ve r_dogrulama.R (taban R; aynı yoğunlaştırılmış olabilirlik optim/optimize ile; sphet yalnız adlandırma denetimi için). Birinci aşamada \mathbf W satır standartlaştırılmıştır.
Adım 1 — Ağırlık matrisi. 49 birim, 232 yönlü bağ, ortalama komşu sayısı 4{,}7347; özdeğer aralığı [-0{,}6510;\ 1]; T=23{,}2943.
Adım 2 — LM testleri. \mathrm{LM}_\lambda=5{,}723131, \mathrm{LM}_\rho=9{,}363684, sağlam hata 0{,}079495, sağlam gecikme 3{,}720048, SARMA 9{,}443178 (şablonla 10^{-6} içinde).
Adım 3 — ML kestirimi. Yoğunlaştırılmış log-olabilirlik üç başlangıç değeriyle eniyilenir. SAR: \hat\rho=0{,}431023, \ell=-182{,}390427, AIC =374{,}78085; SEM: \hat\lambda=0{,}561790, \ell=-183{,}380469, AIC =376{,}76094; SAC: \hat\rho=0{,}368067, \hat\lambda=0{,}166679, \ell=-182{,}234759, AIC =376{,}46952; SLX: \ell=-184{,}078186, AIC =380{,}15637; SDM: \hat\rho=0{,}426335, \ell=-181{,}393511; SDEM: \hat\lambda=0{,}425399, \ell=-181{,}584627; GNS: \hat\rho=0{,}315569, \hat\lambda=0{,}154154, \ell=-181{,}342156, AIC =378{,}68431. EKK: \ell=-187{,}377240, AIC =382{,}75448. Taban R ve Python aynı değerleri 10^{-8} içinde verir.
Adım 4 — Katsayılar. SAC: \hat\beta=(47{,}7838;\ -1{,}0259;\ -0{,}2817); SLX: (75{,}0287;\ -1{,}1089;\ -0{,}2897;\ -1{,}3710;\ 0{,}1918) (EKK; SH'ler 6{,}6260;\ 0{,}3738;\ 0{,}1014;\ 0{,}5613;\ 0{,}2003).
Adım 5 — Etkiler. SAC INC: doğrudan -1{,}0632722, dolaylı -0{,}5601501, toplam -1{,}6234223; HOVAL: -0{,}2919129, -0{,}1537848, -0{,}4456977. SAR, SDM ve GNS etkileri de bağımsız formülle yeniden üretilmiştir (doğrulama tablosu).
Adım 6 — Yayımlanmış değerlerle karşılaştırma. Anselin (1988) Columbus örneği: SAR \hat\rho=0{,}431; SEM \hat\lambda=0{,}562 (şablon: 0{,}43102 ve 0{,}56179).
191.6.1 Doğrulama: MerQuR+, Python ve R
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | |
|---|---|---|---|---|---|
| LM-hata istatistiği | 5,72313095 | 5,72313095 | — | 7,8e−16 | ✓ |
| LM-gecikme istatistiği | 9,36368357 | 9,36368357 | — | 6,8e−15 | ✓ |
| sağlam LM-hata istatistiği | 0,07949493 | 0,07949493 | — | 5,1e−15 | ✓ |
| sağlam LM-gecikme istatistiği | 3,72004755 | 3,72004755 | — | 1,6e−14 | ✓ |
| SARMA istatistiği | 9,44317849 | 9,44317849 | — | 6,8e−15 | ✓ |
| OLS logLik | −187,37723881 | −187,37723881 | — | 6,1e−16 | ✓ |
| OLS AIC | 382,75447762 | 382,75447762 | — | 5,9e−16 | ✓ |
| SAR logLik | −182,39042717 | −182,39042717 | −182,39042717 | 1,8e−11 | ✓ |
| SAR AIC | 374,78085433 | 374,78085433 | 374,78085433 | 9,6e−12 | ✓ |
| SAR ρ | 0,43102322 | 0,43102321 | 0,4310232 | 2,0e−8 | ✓ |
| SEM logLik | −183,38046895 | −183,38046895 | −183,38046895 | 1,7e−11 | ✓ |
| SEM AIC | 376,76093791 | 376,76093791 | 376,76093791 | 9,8e−12 | ✓ |
| SEM λ | 0,56179028 | 0,56179027 | 0,56179027 | 9,4e−9 | ✓ |
| SAC logLik | −182,23475916 | −182,23475916 | −182,23475916 | 5,8e−12 | ✓ |
| SAC AIC | 376,46951832 | 376,46951832 | 376,46951832 | 5,6e−12 | ✓ |
| SAC ρ | 0,36806741 | 0,36806737 | 0,36806724 | 1,7e−7 | ✓ |
| SAC λ | 0,16667921 | 0,16667933 | 0,16667922 | 1,2e−7 | ✓ |
| SLX logLik | −184,07818561 | −184,07818561 | −184,07818561 | 8,5e−12 | ✓ |
| SLX AIC | 380,15637122 | 380,15637122 | 380,15637122 | 8,2e−12 | ✓ |
| SDM logLik | −181,39351084 | −181,39351084 | −181,39351084 | 1,6e−12 | ✓ |
| SDM AIC | 376,78702168 | 376,78702168 | 376,78702168 | 1,6e−12 | ✓ |
| SDM ρ | 0,42633553 | 0,42633546 | 0,42633549 | 6,9e−8 | ✓ |
| SDEM logLik | −181,58462693 | −181,58462693 | −181,58462693 | 1,9e−11 | ✓ |
| SDEM AIC | 377,16925387 | 377,16925387 | 377,16925387 | 8,2e−12 | ✓ |
| SDEM λ | 0,42539899 | 0,42539896 | 0,42539903 | 4,0e−8 | ✓ |
| GNS logLik | −181,34215618 | −181,34215618 | −181,34215618 | 9,0e−12 | ✓ |
| GNS AIC | 378,68431236 | 378,68431236 | 378,68431236 | 8,7e−12 | ✓ |
| GNS ρ | 0,3155694 | 0,31556933 | 0,31556884 | 5,6e−7 | ✓ |
| GNS λ | 0,1541543 | 0,15415432 | 0,15415468 | 3,8e−7 | ✓ |
| SAC katsayısı (kesişim) | 47,78376347 | 47,78376495 | 47,78377201 | 1,8e−7 | ✓ |
| SAC katsayısı INC | −1,02589356 | −1,02589354 | −1,02589374 | 1,7e−7 | ✓ |
| SAC katsayısı HOVAL | −0,2816509 | −0,28165091 | −0,2816509 | 1,0e−8 | ✓ |
| SAR katsayısı (kesişim) | 45,07924927 | 45,0792497 | 45,07925024 | 2,2e−8 | ✓ |
| SAR katsayısı INC | −1,03161567 | −1,03161568 | −1,0316157 | 2,5e−8 | ✓ |
| SAR katsayısı HOVAL | −0,26592625 | −0,26592625 | −0,26592625 | 4,4e−9 | ✓ |
| SDM katsayısı (kesişim) | 42,82241225 | 42,82241742 | 42,8224155 | 1,2e−7 | ✓ |
| SDM katsayısı INC | −0,91422318 | −0,91422321 | −0,9142232 | 3,1e−8 | ✓ |
| SDM katsayısı HOVAL | −0,29373778 | −0,29373778 | −0,29373778 | 2,4e−9 | ✓ |
| SDM katsayısı lag.INC | −0,52028348 | −0,52028361 | −0,52028356 | 1,4e−7 | ✓ |
| SDM katsayısı lag.HOVAL | 0,24564028 | 0,24564027 | 0,24564028 | 8,7e−9 | ✓ |
| GNS katsayısı (kesişim) | 50,92025506 | 50,92026046 | 50,92029648 | 8,1e−7 | ✓ |
| GNS katsayısı INC | −0,95071665 | −0,95071669 | −0,95071687 | 2,2e−7 | ✓ |
| GNS katsayısı HOVAL | −0,28649657 | −0,28649657 | −0,28649655 | 1,9e−8 | ✓ |
| GNS katsayısı lag.INC | −0,69261107 | −0,6926112 | −0,69261203 | 9,6e−7 | ✓ |
| GNS katsayısı lag.HOVAL | 0,20851641 | 0,2085164 | 0,20851627 | 1,4e−7 | ✓ |
| SLX katsayısı (kesişim) | 75,0287479 | 75,0287479 | 75,0287479 | 4,1e−11 | ✓ |
| SLX SH (kesişim) | 6,62597995 | 6,62597995 | — | 9,4e−16 | ✓ |
| SLX katsayısı INC | −1,10892928 | −1,10892928 | −1,10892928 | 2,1e−9 | ✓ |
| SLX SH INC | 0,37381292 | 0,37381292 | — | 2,7e−15 | ✓ |
| SLX katsayısı HOVAL | −0,28972832 | −0,28972832 | −0,28972832 | 2,7e−9 | ✓ |
| SLX SH HOVAL | 0,10136734 | 0,10136734 | — | 8,3e−17 | ✓ |
| SLX katsayısı lag.INC | −1,37097245 | −1,37097245 | −1,37097245 | 1,6e−10 | ✓ |
| SLX SH lag.INC | 0,56127715 | 0,56127715 | — | 1,0e−14 | ✓ |
| SLX katsayısı lag.HOVAL | 0,19176079 | 0,19176079 | 0,19176079 | 1,7e−9 | ✓ |
| SLX SH lag.HOVAL | 0,20033348 | 0,20033348 | — | 7,2e−16 | ✓ |
| SAC doğrudan etki INC | −1,06327225 | −1,06327222 | — | 3,1e−8 | ✓ |
| SAC dolaylı etki INC | −0,56015021 | −0,5601501 | — | 1,1e−7 | ✓ |
| SAC toplam etki INC | −1,62342246 | −1,62342232 | — | 8,7e−8 | ✓ |
| SAC doğrudan etki HOVAL | −0,29191292 | −0,29191293 | — | 8,1e−9 | ✓ |
| SAC dolaylı etki HOVAL | −0,15378477 | −0,15378475 | — | 2,1e−8 | ✓ |
| SAC toplam etki HOVAL | −0,44569769 | −0,44569768 | — | 1,2e−8 | ✓ |
| SAR doğrudan etki INC | −1,08602198 | −1,08602199 | — | 7,8e−9 | ✓ |
| SAR dolaylı etki INC | −0,72708483 | −0,72708482 | — | 1,5e−8 | ✓ |
| SAR toplam etki INC | −1,81310681 | −1,8131068 | — | 3,8e−9 | ✓ |
| SAR doğrudan etki HOVAL | −0,27995092 | −0,27995092 | — | 4,6e−10 | ✓ |
| SAR dolaylı etki HOVAL | −0,18742537 | −0,18742536 | — | 5,8e−9 | ✓ |
| SAR toplam etki HOVAL | −0,46737629 | −0,46737628 | — | 6,2e−9 | ✓ |
| SDM doğrudan etki INC | −1,02389095 | −1,02389097 | — | 1,7e−8 | ✓ |
| SDM dolaylı etki INC | −1,47671129 | −1,47671127 | — | 1,6e−8 | ✓ |
| SDM toplam etki INC | −2,50060224 | −2,50060223 | — | 2,3e−9 | ✓ |
| SDM doğrudan etki HOVAL | −0,27922754 | −0,27922754 | — | 1,2e−9 | ✓ |
| SDM dolaylı etki HOVAL | 0,19538498 | 0,19538498 | — | 2,8e−9 | ✓ |
| SDM toplam etki HOVAL | −0,08384256 | −0,08384256 | — | 4,0e−9 | ✓ |
| GNS doğrudan etki INC | −1,03170029 | −1,03170031 | — | 1,4e−8 | ✓ |
| GNS dolaylı etki INC | −1,3693141 | −1,36931408 | — | 2,0e−8 | ✓ |
| GNS toplam etki INC | −2,4010144 | −2,40101438 | — | 5,6e−9 | ✓ |
| GNS doğrudan etki HOVAL | −0,27686081 | −0,27686081 | — | 2,8e−10 | ✓ |
| GNS dolaylı etki HOVAL | 0,16292646 | 0,16292646 | — | 5,0e−9 | ✓ |
| GNS toplam etki HOVAL | −0,11393435 | −0,11393436 | — | 5,3e−9 | ✓ |
| SAC artıklarının Moran I (4 basamak yuvarlanmış) | 0,0059 | 0,0059 | — | 0 | ✓ |
Ölçütü karşılayan: 80/80. ρ ve λ için ölçüt 10−5: spatialreg tek boyutlu eniyilemede 10−8 mertebesinde durur. SAC artıklarının Moran I değeri şablonda dört basamakla yazıldığından yuvarlanmış değerle karşılaştırılır.
Bağımsız doğrulanmayanlar: (i) ML katsayı standart hataları SAR, SEM, SAC, SDM, SDEM, GNS için (analitik asimptotik matris; bağımsız hesapta yalnız SLX'in EKK SH'leri doğrulandı); (ii) benzetim tabanlı etki SH'leri ve p'ler; (iii) GMM kestirimi (sphet; yalnız adlandırma denetlendi); (iv) knn, uzaklik komşuluk ve \mathbf W dışındaki stillerin sayısal sonuçları.
191.7 Çıktıyı okuma
Konsol çıktısı (ornek), olduğu gibi:
Komşuluk: komşu listesi (bitişiklik); ortalama komşu sayısı 4,73; komşusuz birim 0; ağırlık stili W.
Not: komşu listesi simetrikleştirildi (i, j'nin komşusuysa j de i'nin komşusu).
Seçilen modelin artıklarında Moran I = 0,0059 (p = 0,384)
EKK artıklarında Lagrange çarpanı testleri
| test | istatistik | sd | p |
|---|---|---|---|
| LM-hata (RSerr) | 5.723131 | 1 | 0.016743 |
| LM-gecikme (RSlag) | 9.363684 | 1 | 0.002213 |
| Sağlam LM-hata | 0.079495 | 1 | 0.777983 |
| Sağlam LM-gecikme | 3.720048 | 1 | 0.053763 |
| SARMA | 9.443178 | 2 | 0.008901 |
Model karşılaştırması (ML; ρ gecikme, λ hata)
| model | logLik | AIC | parametre | rho | lambda |
|---|---|---|---|---|---|
| OLS | −187.3772 | 382.7545 | 4 | ||
| SAR | −182.3904 | 374.7809 | 5 | 0.431023 | |
| SEM | −183.3805 | 376.7609 | 5 | 0.561790 | |
| SAC | −182.2348 | 376.4695 | 6 | 0.368067 | 0.166679 |
| SLX | −184.0782 | 380.1564 | 6 | ||
| SDM | −181.3935 | 376.7870 | 7 | 0.426335 | |
| SDEM | −181.5846 | 377.1693 | 7 | 0.425399 | |
| GNS | −181.3422 | 378.6843 | 8 | 0.315569 | 0.154154 |
SAC modeli katsayıları
| terim | kestirim | SH | z | p |
|---|---|---|---|---|
| rho | 0.368067 | 0.196676 | 1.8714 | 0.061285 |
| lambda | 0.166679 | 0.296605 | 0.5620 | 0.574146 |
| (Intercept) | 47.783763 | 9.902659 | 4.8253 | 1.40e-06 |
| INC | −1.025894 | 0.326326 | −3.1438 | 0.001668 |
| HOVAL | −0.281651 | 0.090033 | −3.1283 | 0.001758 |
Doğrudan, dolaylı (yayılma) ve toplam etkiler
| degisken | dogrudan | dolayli | toplam |
|---|---|---|---|
| INC dy/dx | −1.063273 | −0.560150 | −1.623423 |
| HOVAL dy/dx | −0.291913 | −0.153785 | −0.445698 |
SAC, GMM (gmm açık)
| terim | kestirim | SH | z | p |
|---|---|---|---|---|
| (Intercept) | 43.758800 | 7.541930 | 5.8021 | 6.55e-09 |
| INC | −0.978563 | 0.460314 | −2.1259 | 0.033515 |
| HOVAL | −0.271403 | 0.177861 | −1.5259 | 0.127028 |
| rho (W·y) | 0.452863 | 0.146079 | 3.1001 | 0.001934 |
| lambda (W·u) | 0.107431 | 0.298773 | 0.3596 | 0.719166 |
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| LM testleri | EKK artıklarında uzamsal bağımlılık sınamaları | İkisi de anlamlı (0{,}017 ve 0{,}0022); sağlam LM-gecikme sınırda (p=0{,}054), sağlam LM-hata değil (p=0{,}78): gecikme yönü. |
| Model karşılaştırması | logLik, AIC, \hat\rho, \hat\lambda | Düşük AIC iyidir: SAR (374{,}78) en iyi; SAC, SEM, SDM ve SDEM (376{,}5–377{,}2) izler. GNS en yüksek logLik'e sahiptir ama 8 parametreyle AIC'i 378{,}68'dir. Model sayısı 7 iken seçim yapılmaz; tablo okunur (bulgular/sac_slx_gns.md B4). |
rho, lambda satırları |
\hat\rho, \hat\lambda, SH, z, p | SAC'ta ikisi de anlamlı değil (p=0{,}061 ve 0{,}574): SAC bu veride gereksizdir; SAR yeter (\hat\rho=0{,}431, z=3{,}66). |
| Katsayılar | \hat\beta | SAC'ta INC -1{,}026: gelir 1000 dolar artınca (doğrudan, geri bildirim hariç) suç oranı \approx1 azalır. \rho\ne0 olduğundan bu etki değildir; etki aşağıdaki tablodadır. |
| Etkiler | Doğrudan, dolaylı, toplam | INC için doğrudan -1{,}063 (katsayıdan biraz büyük: geri bildirim), dolaylı -0{,}560 (komşulara yayılma), toplam -1{,}623. Dolaylı etkinin anlamlılığı için etki_R kullanılmalı (SAR'da R=300: p=0{,}055). |
| GMM tablosu | SAC'ın moment kestirimi | ML'den (\hat\rho=0{,}368) farklı (0{,}453); \hat\lambda yine anlamsız (p=0{,}72). Değişen varyansa dayanıklı SH'ler daha geniştir. |
| Moran I | Seçilen modelin artıklarında kalan özilinti | 0{,}0059 (p=0{,}384): artıklarda uzamsal bağımlılık kalmamış. SLX seçilirse I=0{,}2202 (p=0{,}0043): SLX özilintiyi gidermez. |
Şekil 191.1. SAC artıklarının Moran saçılım grafiği (x: artık, y: uzamsal gecikmeli artık).

Ek çalıştırmalar: sar (ρ 0{,}4310, SH 0{,}1177, Moran 0{,}0380); sem (\hat\lambda=0{,}5618, Moran 0{,}0114); sdm: lag.INC -0{,}520 (p=0{,}36), lag.HOVAL 0{,}246 (p=0{,}17); doğrudan INC -1{,}024, dolaylı -1{,}477, toplam -2{,}501; slx: lag.INC -1{,}371 (p=0{,}019), Moran 0{,}2202; gns: \hat\rho=0{,}316 (SH 0{,}946), \hat\lambda=0{,}154 (SH 1{,}064): GNS'te ikisi de belirsiz. knn (k=4, ortalama 5,10 komşu): \hat\rho_{\text{SAR}}=0{,}498, AIC 370{,}35; LM-gecikme 15{,}74. uzaklik (bant =0, ortalama 4,45 komşu): \hat\rho_{\text{SAR}}=0{,}501, AIC 368{,}11. stilB: LM istatistikleri geçersiz (191.4.1). etki (R=300): doğrudan INC -1{,}0860 (SH 0{,}3147, p=0{,}0007), toplam -1{,}8131 (SH 0{,}6124, p=0{,}0027). lu: sonuçlar eigen ile aynı; mc: \rho_{\text{SAR}}=0{,}4265; matrix, cheb: yalnız OLS ve SLX kurulur (191.4.3).
Rapor cümlesi. Columbus'un 49 mahallesinde suç oranı (1000 haneye), hane geliri ve konut değerine bağlandı; komşuluk bitişiklikle tanımlandı ve satır standartlaştırıldı. EKK artıklarında uzamsal bağımlılık vardı (LM-hata = 5,72, p = 0,017; LM-gecikme = 9,36, p = 0,0022); sağlam testler gecikme yönünü gösterdi (sağlam LM-gecikme p = 0,054; sağlam LM-hata p = 0,78). ML ile kestirilen yedi modelden AIC'e göre en iyisi uzamsal gecikme modeliydi (SAR: ρ = 0,431; AIC = 374,8; EKK: 382,8). SAC modelinde ρ (0,368; p = 0,061) ve λ (0,167; p = 0,57) anlamlı değildi (AIC = 376,5). SAC'ta gelirin doğrudan etkisi −1,06, dolaylı etkisi −0,56 ve toplam etkisi −1,62 idi; artıklarda uzamsal bağımlılık kalmadı (Moran I = 0,006; p = 0,38).
191.8 Sık hatalar ve tuzaklar
- Katsayıyı etki sanmak. Gecikmeli modelde (\rho\ne0) \hat\beta_k etki değildir; doğrudan, dolaylı ve toplam etkiyi okuyun (191.4.4). SLX ve SDEM'de etki tablosu yoktur; dolaylı etki \hat\theta_k'dır (B8).
- Satır standartlaştırılmamış stil seçmek. LM testleri satır standartlaştırılmış ağırlıkla hesaplanır ve çıktı bunu yazar; modeller seçilen stille kestirilir. \rho ve \lambda'nın aralığı stile bağlıdır.
Matrixya daChebyshevyöntemi. Satır standartlaştırılmış ağırlıkla da yedi modeli kurar; Chebyshev yaklaşıktır (\rho üçüncü ondalıktaeigen'den ayrılır). Bir model yine de kurulamazsa tabloda NA kalır ve Moran satırı OLS artıklarını açıkça belirtir.- Kimlik sayısal ve 100000 gibi yuvarlaksa kimlikler
mq_kimlikile "100000" olarak çevrilir ve komşu listesiyle eşleşir. - Eksik değerli satır. Liste yolunda hata, koordinat yolunda satır atılır ve "Not: … satır eksik değer nedeniyle atıldı" yazılır (126–132); komşuluk atılan satırlar çıkarılarak yeniden kurulur.
- Uzaklık bandı.
bant = 0en büyük 1-NN uzaklığını kullanır; Columbus'ta bu seçim 2 bağlantısız alt ağ üretir ve çıktı "komşuluk ağı 2 ayrı alt çizgeye bölünüyor" uyarısını yazar (164–168). Büyük bandla her birim çok komşu alır. MCyöntemi rastgeledir; sonuç tohuma bağlıdır veeigen'dan küçük farkla ayrılır (B6).- Model seçimi şablonun işi değildir. Varsayılan ayrıntılı model SAC'tır; AIC'e göre en iyi SAR'dır (B4). LM testleri ve AIC birlikte okunmalıdır.
- k\ge n ya da k>50:
kbuyukçalıştırmasında form denetimi "değer 1 ile 50 arasında olmalı" iletisini verir. - Aynı koordinatta birden çok birim koordinat tabanlı komşuluğu durdurur (151).
- Moran I'nın tek yönlü p'si pozitif özilinti içindir; negatif özilinti ayrıca sınanmaz.
- GMM adlandırması. sphet'te
lambdayanıt gecikmesi,rhohata parametresidir; şablon bunları çevirir (259). Elle sphet çıktısı okuyanlar için bu iki ad terstir.
191.9 Uzman soruları
S1. SAR mı SEM mi, nasıl seçilir?
Önce EKK artıklarında LM-hata ve LM-gecikme sınanır; ikisi de anlamlıysa sağlam sürümlerden daha anlamlı olan model seçilir (Anselin ve ark., 1996). Örnekte sağlam LM-gecikme p=0{,}054, sağlam LM-hata p=0{,}78: SAR. AIC aynı sonucu verir (374{,}78 ve 376{,}76). LM testleri yalnız satır standartlaştırılmış \mathbf W için geçerlidir (B1).
S2. SAC'ı neden önermiyorsunuz?
SAC (SARAR) yanıt ve hata gecikmesini birlikte kestirir; iki parametrenin birlikte tanımlanması zayıf olabilir. Örnekte \hat\rho ve \hat\lambda anlamsızdır (p=0{,}061 ve 0{,}574) ve SAC'ın AIC'i SAR'dan yüksektir; parametreler birbirini telafi eder (GNS'te SH'ler 0{,}95 ve 1{,}06). Varsayılan raporlanan model SAC olsa da seçim tablodan yapılmalıdır (B4).
S3. SLX neden EKK ile kestirilir?
SLX (\mathbf y=\mathbf X\boldsymbol\beta+\mathbf W\mathbf X\boldsymbol\theta+\boldsymbol\varepsilon) \mathbf y'nin gecikmesini içermez; \mathbf W\mathbf X dışsal olduğundan parametreler EKK ile tutarlı kestirilir (Halleck Vega ve Elhorst, 2015). lmSLX bunu yapar ve SH'ler doğrusal modelin SH'leridir (bağımsız hesapla doğrulandı). Dolaylı etki doğrudan \hat\theta'dır; kapalı biçimli SH ve p katsayı tablosundadır.
S4. Doğrudan etki neden katsayıdan farklı?
\rho\ne0 ise bir birimin x_k'sındaki değişiklik komşuların yanıtını değiştirir, komşular geri etki eder; bu geri bildirim doğrudan etkiyi \hat\beta_k'dan ayırır. SAC'ta INC: katsayı -1{,}026, doğrudan etki -1{,}063 (Fark %3,6; \mathbf S_k köşegeni). Satır standartlaştırılmış \mathbf W'de ve \boldsymbol\theta=\mathbf 0 iken toplam etki \hat\beta_k/(1-\hat\rho)'dur: -1{,}026/(1-0{,}368)=-1{,}623.
S5. Sınır durumu: komşusuz birim.
zero.policy = TRUE komşusuz bir birimin gecikmesini 0 sayar; konsol "komşusuz birim k" yazar. Satır standartlaştırma bu satırı 0 bırakır ve \mathbf W artık tam satır standartlaştırılmış olmaz. Tüm birimler komşusuzsa şablon "Hiçbir birimin komşusu yok." ile durur (165).
S6. Başka bir tanım/paket: spatialreg ile sphet GMM'si ne kadar yakın?
ML (\hat\rho=0{,}368, \hat\lambda=0{,}167) ve GMM (0{,}453 ve 0{,}107) örnekte yakındır ama SH'ler farklıdır (GMM SH 0{,}146 ve 0{,}299, ML 0{,}197 ve 0{,}297). GMM normal dağılım varsaymaz ve het = TRUE ile değişen varyansa dayanıklıdır (Arraiz ve ark., 2010). Örneklem küçüktür (n=49); iki kestirim birlikte okunmalıdır.
S7. \rho için geçerli aralık nedir ve neden önemli?
Satır standartlaştırılmış \mathbf W için (1/\omega_{\min},\,1); örnekte (-1{,}536;\ 1). \rho bu aralığın dışında kalamaz çünkü \mathbf I-\rho\mathbf W tekil olur. Standartlaştırılmamış \mathbf W'da (B) aralık \omega_{\max}'a göre daralır ve \hat\rho'nın yorumu (örnekte -0{,}109) satır standartlaştırılmış \hat\rho'ya doğrudan eşdeğer değildir.
S8. Neden AIC tablosundaki k, SLX için 6?
SLX'in katsayı sayısı 5 (kesişim, 2 açıklayıcı, 2 gecikmeli açıklayıcı) ve artık varyans 1 ek parametredir; logLik(lmSLX) bunu df = 6 olarak taşır (AIC =-2\ell+12=380{,}16). SAR'ın 5'i kesişim, 2 katsayı, \rho ve \sigma^2'dir.
191.10 Kaynaklar
Anselin, L. (1988). Spatial econometrics: Methods and models. Kluwer Academic.
Anselin, L., Bera, A. K., Florax, R., & Yoon, M. J. (1996). Simple diagnostic tests for spatial dependence. Regional Science and Urban Economics, 26(1), 77–104. https://doi.org/10.1016/0166-0462(95)02111-6
Arraiz, I., Drukker, D. M., Kelejian, H. H., & Prucha, I. R. (2010). A spatial Cliff-Ord-type model with heteroskedastic innovations: Small and large sample results. Journal of Regional Science, 50(2), 592–614. https://doi.org/10.1111/j.1467-9787.2009.00618.x
Bivand, R., & Piras, G. (2015). Comparing implementations of estimation methods for spatial econometrics. Journal of Statistical Software, 63(18), 1–36. https://doi.org/10.18637/jss.v063.i18
Bivand, R. S., Hauke, J., & Kossowski, T. (2013). Computing the Jacobian in Gaussian spatial autoregressive models: An illustrated comparison of available methods. Geographical Analysis, 45(2), 150–179. https://doi.org/10.1111/gean.12008
Halleck Vega, S., & Elhorst, J. P. (2015). The SLX model. Journal of Regional Science, 55(3), 339–363. https://doi.org/10.1111/jors.12188
Kelejian, H. H., & Prucha, I. R. (1998). A generalized spatial two-stage least squares procedure for estimating a spatial autoregressive model with autoregressive disturbances. The Journal of Real Estate Finance and Economics, 17(1), 99–121. https://doi.org/10.1023/A:1007707430416
Kelejian, H. H., & Prucha, I. R. (1999). A generalized moments estimator for the autoregressive parameter in a spatial model. International Economic Review, 40(2), 509–533. https://doi.org/10.1111/1468-2354.00027
LeSage, J., & Pace, R. K. (2009). Introduction to spatial econometrics. CRC Press. https://doi.org/10.1201/9781420064254
Moran, P. A. P. (1950). Notes on continuous stochastic phenomena. Biometrika, 37(1–2), 17–23. https://doi.org/10.1093/biomet/37.1-2.17
Ord, K. (1975). Estimation methods for models of spatial interaction. Journal of the American Statistical Association, 70(349), 120–126. https://doi.org/10.1080/01621459.1975.10480272
Piras, G. (2010). sphet: Spatial models with heteroskedastic innovations in R. Journal of Statistical Software, 35(1), 1–21. https://doi.org/10.18637/jss.v035.i01
Tiefelsdorf, M., Griffith, D. A., & Boots, B. (1999). A variance-stabilizing coding scheme for spatial link matrices. Environment and Planning A, 31(1), 165–180. https://doi.org/10.1068/a310165