117. SAR: Mekânsal Otoregresif Gecikme Modeli
Analiz kimliği: spatial_sar · Menü adı: SAR (Mekânsal Otoregresif Gecikme Modeli) · Panel ve motor: gui/panels/analyses/spatial_sar.py, execute (satır 758–1040); komşuluk build_weights, apply_w_style, make_spatial_weights (695–723); etkiler _compute_impacts (331–404); tanılar _diagnostics (1090–1144). Kestirim spreg ML_Lag / GM_Lag, Moran's I esda.
117.1 Ne işe yarar
SAR (spatial autoregressive lag, mekânsal gecikme) modeli şu soruyu cevaplar: Bir birimin sonucu, açıklayıcıların ötesinde komşu birimlerin sonucundan da etkileniyor mu? Bulaşıcı hastalıkta bir ilin vaka oranı, komşu illerin vaka oranıyla birlikte yükselip düşer; bu "yayılma" OLS'de hata terimine kalır ve çıkarımı bozar. Model:
- \mathbf y: n\times1 bağımlı değişken (ör. il başına vaka oranı).
- \mathbf W: n\times n komşuluk (mekânsal ağırlık) matrisi; köşegeni 0, w_{ij}>0 ise j birimi i'nin komşusudur.
- \mathbf W\mathbf y: mekânsal gecikme; satır standart \mathbf W'de i. eleman komşuların ortalama y'sidir.
- \rho: mekânsal otoregresif parametre; \rho>0 komşuların benzer değer aldığını (yayılma), \rho<0 zıt değer aldığını gösterir.
- \mathbf X: sabit sütunu dahil n\times k açıklayıcı matrisi; \boldsymbol\beta katsayıları.
Model indirgenmiş biçimde yazılınca anlamı açılır: \mathbf y=(\mathbf I-\rho\mathbf W)^{-1}(\mathbf X\boldsymbol\beta+\boldsymbol\varepsilon). Bir ildeki açıklayıcı değişimi önce o ilin y'sini, sonra \mathbf W üzerinden komşularını, onların komşularını … etkiler; (\mathbf I-\rho\mathbf W)^{-1}=\mathbf I+\rho\mathbf W+\rho^2\mathbf W^2+\cdots bu zincirin toplamıdır. Bu yüzden \beta_j tek başına marjinal etki değildir; doğrudan, dolaylı (yayılma) ve toplam etkiler raporlanır (117.5.6).
Ne zaman kullanılır? Sürekli bir sonuç, birimlerin konumu (enlem/boylam ya da komşuluk dosyası) ve komşu sonuçlarının birbirini doğrudan etkilediği kuramsal bir gerekçe (bulaş, taklit, rekabet, yayılım) varsa. OLS artıklarında Moran's I anlamlıysa ve LM tanılarından (117.5.7) gecikme testi öne çıkıyorsa.
Ne zaman kullanılmaz?
- Mekânsal bağımlılık gözlenmemiş, mekânda kümelenmiş bir etkenden geliyorsa (yayılma yok, ortak dışlanmış etken var): Mekânsal Hata Modeli (Bölüm 118). LM tanılarında yalnız hata testi anlamlıysa bu seçilir.
- Açıklayıcıların etkisi konuma göre değişiyorsa (mekânsal heterojenlik, bağımlılık değil): GWR (Coğrafi Ağırlıklı Regresyon) (Bölüm 119).
- Yalnız bir değişkenin mekânsal kümelenmesi soruluyorsa (model yok): Moran's I (ayrı analiz).
- Bir yüzeyi noktalardan kestirmek (enterpolasyon) amaçsa: Kriging.
- Sonuç ikili ya da sayımsa: SAR doğrusal-normal bir modeldir; MerQur'da mekânsal lojistik/Poisson yoktur.
Sık karıştırılan analizler. SAR ile SEM'in ikisi de "komşular benzer" sonucunu verir; fark mekanizmadadır. SAR'da y komşu y'den etkilenir (yayılma, geri besleme); SEM'de yalnız hatalar mekânsal olarak ilişkilidir ve \beta'lar OLS gibi yorumlanır. "SEM" kısaltması burada yapısal eşitlik modeli değildir. Mekânsal Durbin modeli (SDM) bu panelde bir seçenektir; \mathbf W\mathbf X terimlerini ekler ve SAR ile SEM'i özel durum olarak içerir (117.5.8).
117.2 Varsayımlar ve veri türü
| Varsayım | Ne demek | MerQur'da nasıl denetlenir |
|---|---|---|
| Doğru \mathbf W | Komşuluk yapısı araştırmacının seçimidir; model ona koşulludur. | Denetlenmez; ada birim ve k-NN bağı notu verilir. |
| Doğrusal ortalama | E(\mathbf y)=(\mathbf I-\rho\mathbf W)^{-1}\mathbf X\boldsymbol\beta. | Denetlenmez. |
| Normal, sabit varyanslı hata | ML olabilirliği normal hataya dayanır. | İsteğe bağlı OLS varsayım tanıları (Jarque–Bera, Breusch–Pagan, Koenker–Bassett, OLS artıklarında). |
| Durağanlık | \mathbf I-\rho\mathbf W tersinir: satır standart \mathbf W'de 1/\lambda_{\min}<\rho<1. | ML'de ρ (−1, 1) aralığında aranır; S2SLS'de \lvert\rho\rvert\ge1 ise not. |
| Kalan bağımlılık yok | Model artıkları mekânsal olarak ilişkisiz. | Model artıkları Moran's I satırı. |
| Çoklu doğrusallık yok | Açıklayıcılar arasında güçlü doğrusal ilişki yok. | İsteğe bağlı VIF ve koşul sayısı. |
Eksik değer. Bağımlı değişken, açıklayıcılar, enlem ya da boylamda eksik olan satır çıkarılır (liste bazında; work.dropna(), spatial_sar.py:855). Metin içeren açıklayıcı ya da Veri sekmesinde "kategorik" işaretli sütun kukla değişkenlere açılır; düzeyler ortak düzey sırası kuralıyla dizilir (kullanıcı sırası → sayısal/doğal sıra → verideki ilk görülme sırası) ve ilk düzey referanstır (expand_categorical). Dış ağırlık dosyası kullanılırken satır silinirse W ile veri hizası bozulacağı için hata verilir (687–688).
Uç durumlar.
- n<20: "Yetersiz gözlem (en az 20 gerekli …)" hatası (
832–834); n<50 ise not (1006–1009). - Bağımlı değişken ya da bir açıklayıcı sabitse, ya da tüm koordinatlar aynıysa: çevrilmiş hata (
degenerate_input_error,633–646). - k-NN'de k\ge n: "k en çok n − 1 olabilir" hatası (
584–586). - Uzaklık bandında komşusuz (ada) birim: not; o birimin \mathbf W\mathbf y değeri 0'dır (
693–694). - k-NN'de k. ve (k+1). komşu eşit uzaklıktaysa: bağlı nokta sayısı not edilir; seçim bağ kırma kuralına bağlıdır (
654–668,695–698). Tıp verisinde bağ yoktur. - Tekil matris: "Singular matrix" yerine çevrilmiş ileti (
884–885). - \lvert\hat\rho\,\lambda_{\max}\rvert<0{,}05: "ρ çok küçük" notu; p_\rho\ge\alpha: anlamsızlık notu (
998–1005). - ML'de ölçekli \hat\rho\le-0{,}99 ise arama aralığının alt sınırında kalındığı notu yazılır.
- \hat\rho>0{,}95: dolaylı ve toplam etki 1/(1-\rho) nedeniyle ağır kuyrukludur; benzetim SH'sinin çekilişe duyarlı olduğu notu (
984–986).
117.3 Parametreler
Varsayılanlar add_form_rows (385–441), add_w_type_rows (444–502), add_w_option_rows (518–529) ve read_form_options (544–560) satırlarından alınmıştır.
| Arayüz adı | Varsayılan | Ne yapar | Sonucu nasıl değiştirir |
|---|---|---|---|
| Bağımlı (sayısal) DV | ilk sayısal sütun | \mathbf y. | — |
| Bağımsız değişkenler | en az 1 | Sayısal ya da kategorik (kukla). | \mathbf X. |
| Enlem (latitude) / Boylam (longitude) | ilk sayısal sütun | Koordinatlar; uzaklık (\text{boylam},\ \text{enlem}) çiftiyle hesaplanır. | \mathbf W. |
| Komşuluk yöntemi | k-NN | k-NN; uzaklık bandı (otomatik eşik); uzaklık bandı, kullanıcı eşiği; ters uzaklık 1/d; dış ağırlık dosyası (.gal/.gwt). | \mathbf W'nin yapısı. |
| k (k-NN için) | 5 (2–50) | Her birimin komşu sayısı. | Büyük k daha düzgün \mathbf W, daha küçük \rho belirsizliği. |
| Uzaklık eşiği (koordinat birimi) | 0 (otomatik) | Bant ve 1/d için eşik; 0 → her birimin en az bir komşusu olacağı en küçük eşik. | Komşu sayısı birimden birime değişir. |
| Ağırlık dosyası | boş | GeoDa/spdep .gal (bitişiklik) ya da .gwt. Kimlikler 0..n−1 ya da 1..n. | Kraliçe/kale bitişikliği bu yolla verilir. |
| Model | SAR | SAR ya da Mekânsal Durbin (SDM: + \mathbf W\mathbf X). | SDM'de \boldsymbol\theta katsayıları ve üç LR testi. |
| W standardizasyonu | W — satır standart | W, B (ikili), C (global, toplam n), U (toplam 1), S (varyans dengeleyici). | \rho'nun ölçeği; etkiler genel formülle. |
| Uzaklık ölçüsü | Öklid | Öklid (koordinat biriminde) ya da büyük çember (km). | Derece koordinatta Öklid uzaklık enleme göre bozulur. |
| Kestirim yöntemi | ML — tam özdeğer | ML tam; ML seyrek LU; ML Ord özdeğer; GMM/S2SLS; S2SLS White sağlam SH. | ML'ler aynı kestirimi verir; S2SLS farklıdır. |
| Ek çıktı: OLS varsayım tanıları | kapalı | JB, BP, KB, VIF, koşul sayısı (OLS artıklarında). | Ek bölüm. |
| Güven Düzeyi | %95 | \rho ve \boldsymbol\beta Wald GA'sı ve anlamlılık kararının \alpha'sı. | GA genişliği ve karar (p<\alpha). |
Neden enlem/boylam varsayılanı Öklid?
Panel koordinatların birimini bilmez. UTM gibi metre cinsinden projeksiyonlu koordinatlarda Öklid uzaklık doğrudur; enlem/boylam derecesinde ise 1° boylam, enlem arttıkça kısalır (40° enlemde yaklaşık 85 km, ekvatorda 111 km). Türkiye ölçeğinde k-NN komşuluğu bu bozulmadan az etkilenir; uzaklık bandında eşik "derece" cinsinden yorumlanır. Coğrafi koordinatta doğru seçim "Büyük çember"dir (117.5.1).
117.4 Tıp örneği
Dosya: english/datasets/Tip/105_spatial_sar_COVID_case_ratio.xlsx (Türkçe kopyası samples/Tum_Analiz_Tip/105_spatial_sar_COVID_vaka_orani.xlsx). Değişken seçimi VIDEO_SCRIPT_TR.txt #105'ten alınmıştır. Veri benzetimle üretilmiş 100 "il" noktasıdır; koordinatlar Türkiye sınırları içindedir.
| Değişken | Rol | Tür | Özet |
|---|---|---|---|
case_ratio |
Bağımlı | sürekli (100 bin kişide vaka) | ortalama 528,8; SS 117,5; 269,1–841,6 |
socioeconomic |
Açıklayıcı | sürekli (endeks) | ortalama 53,9; SS 21,8 |
age_mean |
Açıklayıcı | sürekli (yıl) | ortalama 41,9; SS 7,1 |
lat |
Enlem | derece | 36,52–41,47 |
lon |
Boylam | derece | 27,40–41,98 |
n ve eksik değer: 100 il, eksik değer yok.
Klinik soru: Sosyoekonomik düzey ve yaş ortalaması vaka oranını nasıl etkiliyor, ve bir ildeki vaka oranı komşu illerinkinden bağımsız mı?
Seçilen ayarlar: Varsayılanlar: k-NN, k=5, satır standart W, Öklid uzaklık (derece), ML tam özdeğer, %95. Hesap yürüyüşü için ayrıca OLS varsayım tanıları, %99 güven düzeyi, SDM, S2SLS, otomatik uzaklık bandı ve W stili B ile çalıştırılmıştır.
117.5 Formüller ve hesap adımları
MerQur'un hesap sırası: liste bazında silme ve kukla kodlama → koordinatlardan komşuluk listesi (k-NN, bant, 1/d ya da dosya) → standartlaştırma (W: satır; B/C/U/S: \lambda_{\max}'a bölme) → spreg ML_Lag: OLS yardımcı regresyonları, yoğunlaştırılmış log-olabilirliğin \rho üzerinde en büyüklenmesi, \boldsymbol\beta ve \sigma^2, analitik bilgi matrisi → Wald GA → doğrudan/dolaylı/toplam etkiler ve benzetim SH'leri → OLS, LM tanıları, LR(\rho=0), artık Moran's I.
117.5.1 Komşuluk matrisi \mathbf W
k en yakın komşu (varsayılan). Her i için Öklid uzaklık d_{ij}=\sqrt{(u_i-u_j)^2+(v_i-v_j)^2} (u boylam, v enlem) sıralanır; en yakın k birim komşudur ve ikili ağırlık alır:
- N_k(i): i'nin kendisi hariç en yakın k birimi (libpysal
KNN.from_array; spdepknearneigh+knn2nbkarşılığı). - b_{ij}: ikili (B stili) ağırlık; w_{ij}: satır standart (W stili) ağırlık. k-NN'de her satırda tam k komşu olduğundan w_{ij}=1/k.
- k-NN ilişkisi simetrik değildir: j\in N_k(i) iken i\notin N_k(j) olabilir; \mathbf W asimetriktir ve özdeğerlerinin bir kısmı karmaşıktır.
Uzaklık bandı. b_{ij}=1 ancak ve ancak 0<d_{ij}\le d^{*}. Eşik 0 bırakılırsa d^{*}=\max_i\min_{j\ne i}d_{ij}\times(1+10^{-9}) alınır: en uzak "en yakın komşu" uzaklığı; böylece her birimin en az bir komşusu olur (min_threshold_distance, 607–614). 10^{-9} payı, kayan nokta eşitliğinde o çiftin dışarıda kalıp ada oluşmasını önler. Ters uzaklık seçeneğinde aynı eşik içinde b_{ij}=1/d_{ij}.
Büyük çember. Uzaklık ölçüsü "Büyük çember" seçilirse koordinatlar birim küre üzerinde (\cos v\cos u,\ \cos v\sin u,\ \sin v) noktalarına çevrilir; kiriş uzunluğu c ile yay uzunluğu
- c_{ij}: iki birim vektör arasındaki Öklid (kiriş) uzaklığı; d ile monotondur, bu yüzden k-NN sıralaması kiriş üzerinden yapılır (
_arc_weights,238–274). - R: ortalama yer yarıçapı (küre). spdep
longlat = TRUEWGS84 elipsoidi kullandığından eşik ve sınır komşularında küçük farklar olabilir.
Satır standartlaştırma ve öteki stiller. W stili satır toplamlarını 1 yapar (W.transform = "r"). B, C, U, S stillerinde (spdep nb2listw(style = ) karşılığı; apply_w_style, 197–235):
- S_0=\sum_i\sum_j b_{ij}: ağırlıkların toplamı; n_e: en az bir komşusu olan birim sayısı.
- S: Tiefelsdorf, Griffith ve Boots (1999) varyans dengeleyici kodlaması.
- Bu dört stilde elde edilen matris, en büyük gerçel özdeğerine \lambda_{\max} bölünür: \mathbf W^{*}=\mathbf W/\lambda_{\max}. Kestirim \mathbf W^{*} ile yapılır; rapor edilen \rho=\rho^{*}/\lambda_{\max} ve SH'si aynı oranla geri dönüştürülür (
902–903,916).
Neden satır standartlaştırma?
Üç nedeni vardır. (1) Yorum: (\mathbf W\mathbf y)_i komşuların ortalaması olur; \rho "komşu ortalaması 1 birim artınca y_i'nin ne kadar arttığı" anlamını taşır. (2) Parametre uzayı: satır standart \mathbf W'nin en büyük özdeğeri tam 1'dir (her satır toplamı 1, Perron–Frobenius); \mathbf I-\rho\mathbf W tersinir olsun diye \rho<1 yeterlidir ve \rho ölçekten bağımsız karşılaştırılabilir. (3) Etkiler: toplam etki \beta/(1-\rho) gibi kapalı bir biçim alır (117.5.6). Bedeli: komşu sayısı az olan birimin her komşusu daha ağır sayılır. Tıp verisinde \lambda_{\max}=1, \lambda_{\min}=-0{,}4217; 100 özdeğerin 44'ü karmaşıktır (k-NN asimetrisi).
Koddaki tercih: B/C/U/S stillerinde \lambda_{\max} ölçeklemesi
spreg \rho'yu yalnız (−1, 1) aralığında aradığı için ham ikili \mathbf W ile (\lambda_{\max}=k) kestirim bu aralığa sığmaz. MerQur \mathbf W'yi \lambda_{\max}'a bölüp \rho'yu geri ölçekler; model ölçekten bağımsız olduğundan log-olabilirlik ve \boldsymbol\beta değişmez. Tıp verisinde k-NN için \lambda_{\max}=5 olduğundan B stili W stiliyle aynı modeldir: \hat\rho_B=0{,}063700=0{,}318501/5, ℓ aynıdır. n\le4000'de \lambda_{\max} yoğun özdeğerle, daha büyük n'de seyrek Arnoldi (eigs) ile bulunur.
117.5.2 Yoğunlaştırılmış log-olabilirlik
\boldsymbol\varepsilon=(\mathbf I-\rho\mathbf W)\mathbf y-\mathbf X\boldsymbol\beta normal olduğundan \mathbf y'nin yoğunluğu değişken dönüşümü Jakobyeniyle çarpılır:
- \ln\lvert\mathbf I-\rho\mathbf W\rvert: Jakobyen terimi; \mathbf y\mapsto\boldsymbol\varepsilon dönüşümünün hacim çarpanı. OLS'de bu terim yoktur; SAR'ı OLS'den ayıran budur.
- \boldsymbol\varepsilon^{\top}\boldsymbol\varepsilon: artık kareler toplamı.
Sabit \rho'da \boldsymbol\beta ve \sigma^2 kapalı biçimde bulunur. İki yardımcı OLS kurulur:
Bunlar yerine konunca tek değişkenli yoğunlaştırılmış log-olabilirlik kalır:
- \mathbf b_0, \mathbf b_1: \mathbf y'nin ve \mathbf W\mathbf y'nin \mathbf X üzerine OLS katsayıları; \rho'dan bağımsızdır, bir kez hesaplanır.
- \hat\sigma^2 paydası n'dir (ML), n-k değil.
- \ell_c(\rho) en büyüklenince \hat\rho bulunur; \hat{\boldsymbol\beta}=\mathbf b_0-\hat\rho\mathbf b_1.
Neden yoğunlaştırma?
k+2 parametreli bir en iyileme yerine tek boyutlu bir arama yapılır (Ord, 1975; Anselin, 1988). \boldsymbol\beta ve \sigma^2, \rho bilindiğinde doğrusal regresyonun ML çözümüdür; geriye yalnız \rho kalır ve bu, Jakobyen terimi yüzünden kapalı biçimde çözülemez.
117.5.3 \ln\lvert\mathbf I-\rho\mathbf W\rvert hesabı
\mathbf W'nin özdeğerleri \lambda_1,\dots,\lambda_n ise \mathbf I-\rho\mathbf W'ninkiler 1-\rho\lambda_i'dir; determinant özdeğerlerin çarpımıdır:
- \lambda_i: \mathbf W'nin (karmaşık olabilen) özdeğerleri; karmaşık olanlar eşlenik çiftler hâlinde gelir, toplamın sanal kısmı 0'dır.
- Özdeğerler bir kez hesaplanır; her \rho denemesinde yalnız n terimli bir toplam alınır.
Koddaki tercih: üç ML yolu ve en iyileyici
- ML — tam özdeğer (varsayılan,
method = "full"): spreg her \rho denemesinde \ln\det(\mathbf I-\rho\mathbf W)'yi yoğun matrisin determinantıyla alır (ml_lag.py,lag_c_loglik). Sonuç yukarıdaki özdeğer toplamıyla aynıdır; Rlagsarlm(method = "eigen")özdeğer yolunu kullanır. - ML — seyrek LU (
"LU"): \mathbf I-\rho\mathbf W=\mathbf L\mathbf U ayrışımında \sum\ln\lvert u_{ii}\rvert; büyük n için. - ML — Ord özdeğer (
"ord"): Ord (1975) özdeğer yolu. spreg simetrik komşulukta bilgi matrisini benzerlik dönüşümlü bir matrisle kurduğundan SH'ler yanlış çıkıyordu; MerQur bilgi matrisini özgün \mathbf W ile yeniden kurar (_ord_full_information,702–731). - Arama:
minimize_scalar(method = "bounded"), aralık (−1, 1), tolerans 10^{-7} (spreg varsayılanı). Rlagsarlmaralığı özdeğerlerden (1/\lambda_{\min},\ 1/\lambda_{\max}) alır; Tıp verisinde (-2{,}371;\ 1). \hat\rho pozitif olduğundan fark etkisizdir.
117.5.4 Katsayılar, SH ve bilgi matrisi
\hat\rho'da \hat{\boldsymbol\beta} ve \hat\sigma^2 yukarıdaki gibidir. Kovaryans, (\boldsymbol\beta,\rho,\sigma^2) için analitik bilgi matrisinin tersidir (Anselin, 1988, s. 65):
- \mathbf W_A=\mathbf W(\mathbf I-\rho\mathbf W)^{-1}.
- \mathbf W_A\mathbf X\boldsymbol\beta=\mathbf W\hat{\mathbf y}_e, \hat{\mathbf y}_e=(\mathbf I-\rho\mathbf W)^{-1}\mathbf X\boldsymbol\beta: indirgenmiş biçim kestirimi (spreg
predy_e; kuvvet serisiyle). - "\cdot": simetrik eleman. \boldsymbol\beta ile \sigma^2 arasındaki blok sıfırdır.
- \mathcal I^{-1}'in ilk k+1 satır/sütunu (\boldsymbol\beta,\rho) kovaryansıdır (
model.vm); etki benzetimi de bunu kullanır.
Neden t değil z?
ML kestiricilerinin dağılımı asimptotik normaldir; \mathcal I^{-1} büyük örneklem kovaryansıdır ve küçük örneklem düzeltmesi tanımlı değildir. R lagsarlm de z kullanır.
117.5.5 Uyum ölçüleri
- k+2: k katsayı, \rho ve \sigma^2. MerQur \sigma^2'yi de sayar (
953–954); RAIC(lagsarlm)ile aynıdır, spreg'in kendiaicalanından 2 büyüktür. - \hat\ell_{\text{OLS}}=-\frac n2[\ln(2\pi)+\ln(\mathbf e^{\top}\mathbf e/n)+1]; OLS AIC'si de \sigma^2'yi sayar: -2\hat\ell_{\text{OLS}}+2(k+1) (
1074). - \hat{\mathbf y}=\hat\rho\mathbf W\mathbf y+\mathbf X\hat{\boldsymbol\beta} (spreg
predy, gözlenen komşu y'leriyle). Bu bir "uyum" ölçüsüdür, OLS R^2'si gibi açıklanan varyans oranı değildir.
117.5.6 Doğrudan, dolaylı ve toplam etkiler
x_j'deki değişimin \mathbf y üzerindeki etki matrisi \mathbf S_j(\mathbf W)=\partial\mathbf y/\partial\mathbf x_j^{\top}=(\mathbf I-\rho\mathbf W)^{-1}\beta_j'dir. LeSage ve Pace (2009) bunu üç özet sayıya indirir:
Satır standart \mathbf W'de \mathbf W\mathbf 1=\mathbf 1 olduğundan (\mathbf I-\rho\mathbf W)^{-1}\mathbf 1=\mathbf 1/(1-\rho) ve iz özdeğerlerle yazılır:
- \operatorname{tr}\mathbf S_j/n: i. birimdeki x_j değişiminin aynı birimin y'sine ortalama etkisi; geri besleme (komşuya gidip geri gelen etki) dahildir, bu yüzden \lvert\beta_j\rvert'den biraz büyüktür.
- \mathbf 1^{\top}\mathbf S_j\mathbf 1/n: tüm birimlerde x_j bir birim artınca ortalama y değişimi.
- Dolaylı (yayılma): bir birimdeki değişimin öteki birimlere toplam etkisi (ortalama).
- SDM'de \mathbf S_j=(\mathbf I-\rho\mathbf W)^{-1}(\beta_j\mathbf I+\theta_j\mathbf W); doğrudan =[\beta_j\operatorname{tr}(\mathbf I-\rho\mathbf W)^{-1}+\theta_j\operatorname{tr}((\mathbf I-\rho\mathbf W)^{-1}\mathbf W)]/n, iz \sum\lambda_i/(1-\rho\lambda_i); toplam (\beta_j+\theta_j)/(1-\rho).
Koddaki tercih: iz, genel toplam etki ve benzetim
- n\le4000: iz yoğun özdeğerlerle kesin (R
trW(type = "mult")veimpacts()ile aynı sonuç). n>4000: kuvvet serisi \sum_p\rho^p\operatorname{tr}\mathbf W^p, Hutchinson iz kestiricisiyle (50 Rademacher vektörü, sabit tohum 12345;283–304). Bu durumda çıktıda not ve etki benzetimi yoktur. - Satır standart olmayan W stillerinde (B/C/U/S) toplam etki genel formülle: \mathbf W=\mathbf V\boldsymbol\Lambda\mathbf V^{-1} ile n^{-1}\mathbf 1^{\top}(\mathbf I-\rho\mathbf W)^{-1}\mathbf 1=\sum_j c_j/(1-\rho\lambda_j), c_j=(\mathbf 1^{\top}\mathbf V)_j(\mathbf V^{-1}\mathbf 1)_j/n (
333–340). - SH ve p: (\boldsymbol\beta,\rho)\sim N(\hat{\boldsymbol\theta},\hat{\mathbf V})'den 1000 çekiliş (tohum 20090101), \lvert\rho\rvert\ge1 olanlar atılır; her çekilişte etkiler yeniden hesaplanır. SH = çekilişlerin SS'si (n-1 paydalı); p=2[1-\Phi(\lvert\bar m\rvert/\SH)], \bar m çekilişlerin ortalaması (
347–377). Rsummary(impacts(..., R = 1000), zstats = TRUE)ile aynı tasarımdır; R farklı rastgele sayı üreteci kullandığından SH'ler yalnız benzetim hatası içinde örtüşür.
117.5.7 OLS artıklarında tanılar: Moran's I ve LM testleri
MerQur, SAR'dan bağımsız olarak aynı \mathbf W ile bir OLS kurar (\mathbf e artıklar, \tilde\sigma^2=\mathbf e^{\top}\mathbf e/n) ve mekânsal bağımlılığı sınar (spreg OLS(spat_diag = True, moran = True), 1071).
Moran's I (regresyon artıkları).
- S_0=\sum_{ij}w_{ij} (satır standartta n); S_1=\tfrac12\sum_{ij}(w_{ij}+w_{ji})^2.
- \mathbf U=(\mathbf W+\mathbf W^{\top})/2: \mathbf e^{\top}\mathbf W\mathbf e=\mathbf e^{\top}\mathbf U\mathbf e olduğundan asimetrik \mathbf W'nin simetrik eşdeğeri; \mathbf B=4(\mathbf X^{\top}\mathbf X)^{-1}(\mathbf U\mathbf X)^{\top}\mathbf U\mathbf X.
- z=(I-E[I])/\sqrt{\operatorname{Var}[I]}, iki yönlü normal p. Cliff ve Ord (1981) normal hata varsayımlı formülüdür; R
spdep::lm.morantestile aynıdır. - E[I], artıkların \mathbf X üzerine izdüşümden geldiğini hesaba katar; ham değişkendeki -1/(n-1)'den farklıdır.
Lagrange çarpanı (LM) testleri (Anselin, Bera, Florax ve Yoon, 1996). OLS'de hesaplanır; SAR ya da SEM kestirilmeden hangisine gerek olduğunu gösterir:
- \mathbf b: OLS katsayıları; \mathbf M=\mathbf I-\mathbf X(\mathbf X^{\top}\mathbf X)^{-1}\mathbf X^{\top}.
- d_\lambda, d_\rho: log-olabilirliğin \lambda=0 ve \rho=0'daki skorları; T ve nJ bilgi matrisinin ilgili elemanları.
- LM-err ve LM-lag: diğer parametre sıfır varsayımıyla tek yönlü testler (\chi^2_1). Biri öteki türden bağımlılık varken de anlamlı çıkabilir.
- Sağlam (robust) testler: diğer parametrenin yerel varlığına karşı düzeltilmiş skor; "Sağlam LM-lag" yalnız gerçek gecikme bağımlılığına duyarlıdır.
Neden sağlam LM testleri?
Hata bağımlılığı olan bir veride gecikme testi de anlamlı çıkar (ve tersi): iki skor birbiriyle ilişkilidir. Anselin ve ark. (1996) skoru öteki parametrenin etkisinden arındırır. Karar kuralı çıktıda yazar: yalnız LM-lag anlamlıysa SAR, yalnız LM-error anlamlıysa SEM; ikisi de anlamlıysa sağlam testlerden anlamlı olana bakılır. Tıp verisinde ikisi de anlamlıdır, ama sağlam LM-lag anlamsız (p=0{,}538), sağlam LM-error çok anlamlıdır: veri SEM'e işaret eder (117.6, Adım 7).
Model artıklarında Moran's I. SAR'ın kendi artıkları \hat{\mathbf u}=\mathbf y-\hat\rho\mathbf W\mathbf y-\mathbf X\hat{\boldsymbol\beta} için esda Moran (normallik varsayımı, permutations = 0) kullanılır:
Model artık testi yaklaşıktır
Bu formül ham bir değişken içindir; artıkların kestirilmiş \rho ve \boldsymbol\beta'ya bağlı olduğunu hesaba katmaz. R moran.test(residuals(m), lw, randomisation = FALSE) aynı değeri verir. Kalan bağımlılığın kesin testi için SEM'e karşı LR ya da SDM indirgeme testleri (117.5.8) daha uygundur.
İsteğe bağlı OLS varsayım tanıları (_ols_extra, 1014–1050): Jarque–Bera (spreg), Breusch–Pagan =\tfrac12\,\text{ATK}(\mathbf g\sim\mathbf Z), g_i=e_i^2/\tilde\sigma^2; Koenker–Bassett =nR^2(\mathbf e^2\sim\mathbf Z); yardımcı regresörler \mathbf Z=[\mathbf 1,\mathbf X] (R lmtest::bptest varsayılanı; spreg/GeoDa kareleri kullanır). Koşul sayısı Belsley–Kuh–Welsch, VIF korelasyon matrisinin tersinin köşegeni.
117.5.8 Mekânsal Durbin modeli (SDM) ve indirgeme testleri
- \mathbf X_{(-1)}: sabit dışındaki açıklayıcılar; \boldsymbol\theta: komşuların açıklayıcı değerlerinin etkisi (çıktıda
W_<ad>). - Kestirim SAR ile aynı yoldan, \mathbf X yerine [\mathbf X,\ \mathbf W\mathbf X_{(-1)}] ile yapılır (spreg
slx_lags = 1).
SDM seçildiğinde üç LR testi raporlanır (1096–1109):
| Test | Kısıt | İstatistik | sd |
|---|---|---|---|
| SDM → SAR | \boldsymbol\theta=\mathbf 0 | 2(\hat\ell_{\text{SDM}}-\hat\ell_{\text{SAR}}) | k-1 |
| SDM → SEM | \boldsymbol\theta=-\rho\boldsymbol\beta (ortak çarpan) | 2(\hat\ell_{\text{SDM}}-\hat\ell_{\text{SEM}}) | k-1 |
| \rho=0 | SDM'ye karşı SLX (OLS + \mathbf W\mathbf X) | 2(\hat\ell_{\text{SDM}}-\hat\ell_{\text{SLX}}) | 1 |
Neden ortak çarpan kısıtı SEM'i verir?
SEM, (\mathbf I-\lambda\mathbf W)\mathbf y=(\mathbf I-\lambda\mathbf W)\mathbf X\boldsymbol\beta+\boldsymbol\varepsilon biçiminde yazılabilir; açılınca \mathbf y=\lambda\mathbf W\mathbf y+\mathbf X\boldsymbol\beta-\lambda\mathbf W\mathbf X\boldsymbol\beta+\boldsymbol\varepsilon, yani \rho=\lambda, \boldsymbol\theta=-\lambda\boldsymbol\beta kısıtlı bir SDM'dir. Bu testi reddetmemek, verinin SEM ile tutarlı olduğunu gösterir (Elhorst, 2010).
117.5.9 S2SLS (Kelejian–Prucha) kestirimi
Olabilirlik yerine araç değişkenlerle: \mathbf Z=[\mathbf X,\ \mathbf W\mathbf y] içsel, araçlar \mathbf H=[\mathbf X,\ \mathbf W\mathbf X_{(-1)},\ \mathbf W^2\mathbf X_{(-1)}]:
- \hat{\boldsymbol\delta}=(\hat{\boldsymbol\beta},\hat\rho); \hat{\mathbf u}=\mathbf y-\mathbf Z\hat{\boldsymbol\delta}.
- Normallik gerekmez; \rho sınırlanmaz (\lvert\hat\rho\rvert\ge1 ise not). Olabilirlik olmadığından ℓ, AIC ve LR testleri basılmaz.
- White seçeneğinde kovaryans HC0 sandviç; \hat\sigma^2 her iki seçenekte \hat{\mathbf u}^{\top}\hat{\mathbf u}/(n-k-1) (R
stsls(robust = TRUE)ile aynı;956–961).
117.6 Elle hesap: Tıp verisinde sayısal yürüyüş
Ara değerler dogrulama/spatial_sar/elle_hesap.py ile, MerQur çağrılmadan numpy ile hesaplanmıştır. \hat\rho en iyileyicinin değer toleransına bırakılmamış, skor denkleminin kökü olarak bulunmuştur (117.8 S2).
Adım 1 — Komşuluk. 1. il (lat 41,378; lon 40,093; case_ratio 510,9) için en yakın beş il (sıra numarası, uzaklık derece): 95. (0,4384), 78. (0,5735), 12. (0,9573), 26. (1,2016), 39. (1,2908). Bağ yoktur. Satır standart ağırlık her biri için 1/5=0{,}2; mekânsal gecikme
\mathbf W'nin özdeğerleri: \lambda_{\max}=1, \lambda_{\min}=-0{,}42170 (gerçel kısım), 44'ü karmaşık.
Adım 2 — Yardımcı OLS. \mathbf b_0=(365{,}6595;\ -3{,}702487;\ 8{,}647306), \mathbf b_1=(513{,}0341;\ 0{,}228448;\ 0{,}138187); \mathbf e_0^{\top}\mathbf e_0=366605{,}904, \mathbf e_0^{\top}\mathbf e_1=156008{,}924, \mathbf e_1^{\top}\mathbf e_1=429806{,}709.
Adım 3 — \rho'nun bulunması. \ell_c(\rho) en büyüklenir (Şekil 117.1, sağ). Skor denklemi
kökü \hat\rho=0{,}3185007. Bu noktada \ln\lvert\mathbf I-\hat\rho\mathbf W\rvert=-0{,}903233 ve
Şekil 117.1. Solda Tıp #105 verisinde k=5 en yakın komşu ağı (renk: vaka oranı); 1. il ve beş komşusu turuncu. Sağda yoğunlaştırılmış log-olabilirlik \ell_c(\rho); en büyük değer \hat\rho=0{,}3185'te. Noktalı çizgi OLS log-olabilirliğidir (\rho=0'daki değer Jakobyen terimi sıfır olduğundan OLS'ye eşittir).
Adım 4 — Katsayılar ve SH. \hat{\boldsymbol\beta}=\mathbf b_0-\hat\rho\mathbf b_1: sabit 365{,}6595-0{,}3185007\times513{,}0341=202{,}2578. Bilgi matrisindeki izler: \operatorname{tr}\mathbf W_A=6{,}149754, \operatorname{tr}\mathbf W_A^2=24{,}743531, \operatorname{tr}\mathbf W_A^{\top}\mathbf W_A=30{,}840615.
| Terim | \hat\beta | SH | z | p |
|---|---|---|---|---|
| Sabit | 202,2578 | 55,7006 | 3,631 | 0,0003 |
socioeconomic |
−3,775248 | 0,258317 | −14,615 | <0,0001 |
age_mean |
8,603293 | 0,790406 | 10,885 | <0,0001 |
| \rho | 0,318501 | 0,080547 | 3,954 | <0,0001 |
\rho için %95 GA: 0{,}318501\mp1{,}959964\times0{,}080547=[0{,}160631;\ 0{,}476370].
Adım 5 — Uyum. AIC =1089{,}7769+2\times5=1099{,}7769; OLS: \hat\ell=-552{,}23748, AIC =1112{,}47496; LR_{\rho=0}=2(-544{,}88845+552{,}23748)=14{,}698065, p=1{,}26\times10^{-4}. Sözde R^2=0{,}772463.
Adım 6 — Etkiler. \frac1n\sum_i1/(1-\hat\rho\lambda_i)=1{,}019587, 1/(1-\hat\rho)=1{,}467354:
| Değişken | Doğrudan | Dolaylı | Toplam | Dolaylı SH (benzetim) | p (dolaylı) |
|---|---|---|---|---|---|
socioeconomic |
−3,849194 | −1,690427 | −5,539621 | 0,665188 | 0,0087 |
age_mean |
8,771806 | 3,852261 | 12,624067 | 1,556378 | 0,0102 |
Örnek: doğrudan =-3{,}775248\times1{,}019587=-3{,}849194; toplam =-3{,}775248\times1{,}467354=-5{,}539621. Sosyoekonomik endeksin bir puan yükselmesi o ilin vaka oranını 3,85 düşürür; tüm illerde birlikte yükselirse ortalama düşüş 5,54'tür, farkın 1,69'u komşulardan gelen yayılmadır.
Adım 7 — Tanılar. OLS artıklarında \tilde\sigma^2=3666{,}059, d_\lambda=47{,}06309, d_\rho=42{,}55494, T=35{,}52, nJ=89{,}03722:
| Test | İstatistik | sd | p |
|---|---|---|---|
| LM-lag | 42{,}55494^2/89{,}03722=20{,}3389 | 1 | 6{,}5\times10^{-6} |
| LM-error | 47{,}06309^2/35{,}52=62{,}3574 | 1 | 2{,}9\times10^{-15} |
| Sağlam LM-lag | 0,3798 | 1 | 0,538 |
| Sağlam LM-error | 42,3982 | 1 | 7{,}4\times10^{-11} |
| LM-SARMA | 0{,}3798+62{,}3574=62{,}7371 | 2 | 2{,}4\times10^{-14} |
OLS artıklarında Moran's I =0{,}470631, E[I]=-0{,}010557, \operatorname{Var}[I]=0{,}0033259, z=8{,}344. SAR artıklarında I =0{,}217342, E[I]=-1/99, z=3{,}938, p=8{,}2\times10^{-5}: SAR kurulduktan sonra da belirgin bağımlılık kalır. Sağlam testlerle birlikte bu, Tıp #105 verisinin gecikme değil hata bağımlılığı taşıdığını gösterir.
Adım 8 — SDM. \hat\rho=0{,}654524; \hat{\boldsymbol\theta}=(3{,}1850;\ -5{,}6790); \hat\ell=-531{,}577. LR SDM → SAR =26{,}6232 (sd 2, p=1{,}7\times10^{-6}), LR SDM → SEM =1{,}7220 (sd 2, p=0{,}423). Ortak çarpan kısıtı reddedilmez: SEM yeterlidir. SDM artıklarında Moran's I z=-0{,}211.
Adım 9 — Öteki seçenekler. S2SLS: \hat\rho=-0{,}03437 (SH 0,12881), \hat\sigma^2=3935{,}808. Otomatik uzaklık bandı: eşik 1{,}678007 derece, \hat\rho=0{,}455782. Stil B: \lambda_{\max}=5, \hat\rho=0{,}063700, ℓ ve \hat{\boldsymbol\beta} W stiliyle aynı.
117.6.1 Doğrulama: MerQur, Python ve R
MerQur değerleri execute() sonucundaki SARResult alanlarından tam hassasiyetle alınmıştır (yuvarlama yalnız metinde). Python: dogrulama/spatial_sar/elle_hesap.py (numpy; komşuluk, özdeğer, bilgi matrisi, LM ve Moran formülleri doğrudan). R 4.5.3: spdep 1.4.2 (knearneigh, nb2listw, lm.RStests, lm.morantest, moran.test), spatialreg 1.4.3 (lagsarlm(method = "eigen", control = list(tol.opt = 1e-12)), stsls(W2X = TRUE), impacts, trW).
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| \hat\rho | 0,318501 | 0,318501 | 0,318501 | 1,0e−08 | ✓ |
| SH(\hat\rho) | 0,080547 | 0,080547 | 0,080547 | 8,3e−10 | ✓ |
| z_\rho | 3,954219 | 3,954219 | 3,954219 | 1,7e−07 | ✓ |
| \beta Sabit | 202,257846 | 202,257851 | 202,257846 | 5,3e−06 | ✓ |
| SH Sabit | 55,700616 | 55,700616 | 55,700616 | 3,7e−07 | ✓ |
| \beta socioeconomic | −3,775248 | −3,775248 | −3,775248 | 2,4e−09 | ✓ |
| SH socioeconomic | 0,258317 | 0,258317 | 0,258317 | 1,0e−10 | ✓ |
| \beta age_mean | 8,603293 | 8,603293 | 8,603293 | 1,4e−09 | ✓ |
| SH age_mean | 0,790406 | 0,790406 | 0,790406 | 4,5e−10 | ✓ |
| z Sabit | 3,631160 | 3,631160 | 3,631160 | 7,1e−08 | ✓ |
| z socioeconomic | −14,614805 | −14,614805 | −14,614805 | 1,5e−08 | ✓ |
| z age_mean | 10,884647 | 10,884647 | 10,884647 | 4,4e−09 | ✓ |
| %95 GA alt (\rho) | 0,160631 | 0,160631 | 0,160631 | 1,2e−08 | ✓ |
| %95 GA üst (\rho) | 0,476370 | 0,476370 | 0,476370 | 8,7e−09 | ✓ |
| %99 GA alt (\rho) | 0,111025 | 0,111025 | 0,111025 | 1,2e−08 | ✓ |
| \hat\sigma^2 (ML, e'e/n) | 3108,287537 | 3108,287541 | 3108,287538 | 4,0e−06 | ✓ |
| \ln\lvert I-\hat\rho W\rvert | — | −0,903233 | −0,903233 | 5,8e−08 | ✓ |
| Log-olabilirlik ℓ | −544,888447 | −544,888447 | −544,888447 | 3,4e−13 | ✓ |
| AIC | 1099,776894 | 1099,776894 | 1099,776894 | 6,8e−13 | ✓ |
| OLS ℓ | −552,237480 | −552,237480 | −552,237480 | 1,1e−13 | ✓ |
| OLS AIC | 1112,474960 | 1112,474960 | 1112,474960 | 4,1e−12 | ✓ |
| LR (\rho=0) | 14,698065 | 14,698065 | 14,698065 | 4,5e−13 | ✓ |
| Sözde R^2 | 0,772463 | 0,772463 | — | 2,8e−10 | ✓ |
| Doğrudan etki socioeconomic | −3,849194 | −3,849194 | −3,849194 | 7,9e−09 | ✓ |
| Dolaylı etki socioeconomic | −1,690427 | −1,690427 | −1,690427 | 8,0e−08 | ✓ |
| Toplam etki socioeconomic | −5,539621 | −5,539621 | −5,539621 | 8,7e−08 | ✓ |
| Benzetim SH dolaylı socioeconomic | 0,665188 | 0,665188 | — | 1,3e−08 | ✓ (aynı tohum; R başka üreteç) |
| Benzetim p dolaylı socioeconomic | 0,008718 | 0,008718 | — | 1,8e−09 | ✓ (aynı tohum; R başka üreteç) |
| Doğrudan etki age_mean | 8,771806 | 8,771806 | 8,771806 | 1,1e−08 | ✓ |
| Dolaylı etki age_mean | 3,852261 | 3,852261 | 3,852261 | 1,8e−07 | ✓ |
| Toplam etki age_mean | 12,624067 | 12,624067 | 12,624067 | 1,9e−07 | ✓ |
| Benzetim SH dolaylı age_mean | 1,556378 | 1,556378 | — | 3,1e−08 | ✓ (aynı tohum; R başka üreteç) |
| Benzetim p dolaylı age_mean | 0,010203 | 0,010203 | — | 1,9e−09 | ✓ (aynı tohum; R başka üreteç) |
LM ve Moran tanıları, SDM, S2SLS, uzaklık bandı ve stil B:
| Büyüklük | MerQur | Python (bağımsız) | R 4.5.3 | En büyük fark | Durum |
|---|---|---|---|---|---|
| LM-lag istatistiği | 20,338943 | 20,338943 | 20,338943 | 4,3e−12 | ✓ |
| LM-lag p | 6,4867·10−6 | 6,4867·10−6 | 6,4867·10−6 | 1,4e−17 | ✓ |
| LM-error istatistiği | 62,357388 | 62,357388 | 62,357388 | 9,6e−13 | ✓ |
| LM-error p | 2,8645·10−15 | 2,8645·10−15 | 2,8645·10−15 | 1,4e−27 | ✓ |
| Robust LM-lag istatistiği | 0,379755 | 0,379755 | 0,379755 | 1,9e−12 | ✓ |
| Robust LM-lag p | 0,537735 | 0,537735 | 0,537735 | 1,0e−12 | ✓ |
| Robust LM-error istatistiği | 42,398200 | 42,398200 | 42,398200 | 4,5e−12 | ✓ |
| Robust LM-error p | 7,4459·10−11 | 7,4459·10−11 | 7,4459·10−11 | 1,7e−22 | ✓ |
| LM-SARMA istatistiği | 62,737143 | 62,737143 | 62,737143 | 2,8e−12 | ✓ |
| LM-SARMA p | 2,3812·10−14 | 2,3812·10−14 | 2,3812·10−14 | 3,3e−26 | ✓ |
| OLS artık Moran I | 0,470631 | 0,470631 | 0,470631 | 7,8e−16 | ✓ |
| OLS artık E[I] | — | −0,010557 | −0,010557 | 2,2e−16 | ✓ |
| OLS artık Moran z | 8,343784 | 8,343784 | 8,343784 | 1,2e−14 | ✓ |
| SAR artık Moran I | 0,217342 | 0,217342 | 0,217342 | 7,5e−09 | ✓ |
| SAR artık Moran z | 3,937568 | 3,937568 | 3,937568 | 1,3e−07 | ✓ |
| SDM \hat\rho | 0,654524 | 0,654524 | 0,654524 | 3,3e−08 | ✓ |
| SDM SH(\hat\rho) | 0,083804 | 0,083804 | 0,083804 | 5,9e−09 | ✓ |
| SDM \beta Sabit | 102,291728 | 102,291728 | 102,291719 | 8,9e−06 | ✓ |
| SDM SH Sabit | 79,882933 | 79,882933 | 79,882932 | 1,1e−06 | ✓ |
| SDM \beta socioeconomic | −3,896239 | −3,896239 | −3,896239 | 9,0e−09 | ✓ |
| SDM SH socioeconomic | 0,217233 | 0,217233 | 0,217233 | 1,4e−09 | ✓ |
| SDM \beta age_mean | 8,463118 | 8,463118 | 8,463118 | 7,3e−09 | ✓ |
| SDM SH age_mean | 0,665188 | 0,665188 | 0,665188 | 4,2e−09 | ✓ |
| SDM \beta W·socioeconomic | 3,184999 | 3,184999 | 3,185000 | 1,2e−07 | ✓ |
| SDM SH W·socioeconomic | 0,534002 | 0,534002 | 0,534002 | 1,3e−08 | ✓ |
| SDM \beta W·age_mean | −5,678963 | −5,678963 | −5,678963 | 3,4e−07 | ✓ |
| SDM SH W·age_mean | 1,689793 | 1,689793 | 1,689793 | 3,2e−08 | ✓ |
| SDM doğrudan socioeconomic | −3,773071 | −3,773071 | −3,773071 | 3,0e−09 | ✓ |
| SDM dolaylı socioeconomic | 1,714350 | 1,714350 | 1,714350 | 1,4e−07 | ✓ |
| SDM toplam socioeconomic | −2,058722 | −2,058722 | −2,058722 | 1,4e−07 | ✓ |
| SDM doğrudan age_mean | 8,436022 | 8,436022 | 8,436022 | 2,4e−08 | ✓ |
| SDM dolaylı age_mean | −0,377138 | −0,377138 | −0,377138 | 2,3e−07 | ✓ |
| SDM toplam age_mean | 8,058884 | 8,058884 | 8,058884 | 2,6e−07 | ✓ |
| SDM ℓ | −531,576842 | −531,576842 | −531,576842 | 4,5e−13 | ✓ |
| LR SDM → SAR (\theta=0) | 26,623211 | 26,623211 | 26,623211 | 2,3e−13 | ✓ |
| LR SDM → SEM (ortak çarpan) | 1,721965 | 1,721965 | 1,721965 | 3,0e−12 | ✓ |
| LR SDM → SLX (\rho=0) | 39,508908 | 39,508908 | 39,508908 | 2,5e−13 | ✓ |
| S2SLS \hat\rho | −0,034370 | −0,034370 | −0,034370 | 1,4e−13 | ✓ |
| S2SLS SH(\hat\rho) | 0,128810 | 0,128810 | 0,128810 | 1,4e−14 | ✓ |
| S2SLS \beta Sabit | 383,292384 | 383,292384 | 383,292384 | 6,5e−11 | ✓ |
| S2SLS SH Sabit | 77,569609 | 77,569609 | 77,569609 | 2,4e−11 | ✓ |
| S2SLS \beta socioeconomic | −3,694636 | −3,694636 | −3,694636 | 1,7e−14 | ✓ |
| S2SLS SH socioeconomic | 0,290855 | 0,290855 | 0,290855 | 1,7e−14 | ✓ |
| S2SLS \beta age_mean | 8,652055 | 8,652055 | 8,652055 | 6,4e−13 | ✓ |
| S2SLS SH age_mean | 0,888955 | 0,888955 | 0,888955 | 5,4e−14 | ✓ |
| S2SLS \hat\sigma^2 (e'e/(n-k)) | 3935,808245 | 3935,808245 | 3935,808245 | 5,1e−10 | ✓ |
| Uzaklık bandı eşiği (derece) | 1,678007 | 1,678007 | 1,678007 | 8,9e−16 | ✓ |
| Bant W: \hat\rho | 0,455782 | 0,455782 | 0,455782 | 3,2e−10 | ✓ |
| Bant W: SH(\hat\rho) | 0,084516 | 0,084516 | 0,084516 | 3,3e−11 | ✓ |
| Bant W: ℓ | −541,306119 | −541,306119 | −541,306119 | 2,3e−13 | ✓ |
| Stil B: \lambda_{\max} | 5,000000 | 5,000000 | — | 0,0e+00 | ✓ |
| Stil B: \hat\rho | 0,063700 | 0,063700 | 0,063700 | 2,8e−09 | ✓ |
| Stil B: SH(\hat\rho) | 0,016109 | 0,016109 | 0,016109 | 2,3e−10 | ✓ |
| Stil B: ℓ | −544,888447 | −544,888447 | −544,888447 | 3,4e−13 | ✓ |
87 büyüklüğün tamamı ölçütü karşılar. \hat\rho üç kaynakta 10^{-8} düzeyinde farklıdır: MerQur (spreg) ve R değer temelli tek boyutlu arama yapar; \ell_c tepe çevresinde o kadar düzdür ki \rho'daki 4\times10^{-8}'lik fark ℓ'de 10^{-13}'ten küçük değişim yaratır. Python skor denkleminin kökünü kullanır. Sabitteki 5\times10^{-6}'lık mutlak fark buradan gelir (\partial\hat\beta_0/\partial\rho=-b_{1{,}0}=-513). Benzetim SH'leri ve p'leri MerQur ile Python'da aynı tohumla birebir aynıdır; R başka bir üreteç kullandığından karşılaştırılmamıştır (R, 1000 çekilişte dolaylı etki SH'si: 0,6700 ve 1,5722).
117.7 Çıktıyı okuma
Sonuç metni (varsayılan ayarlar; kısaltılmış):
SAR — Mekânsal Otoregresif Gecikme Modeli (ML kestirimi)
Komşuluk (W) : k-en yakın komşu (k=5)
Gözlem sayısı : N = 100
─── Mekânsal yayılma parametresi ───
ρ (rho) = 0.3185
SE (ρ) = 0.0805 %95 GA: [0.1606, 0.4764]
z-istatistiği = 3.954
p-değeri < 0.0001
→ Mekânsal etki ANLAMLI (p < α = 0.05; |z| > 1.960)
Değişken β SE z p
Sabit terim 202.2578 55.7006 3.631 0.0003 ***
socioeconomic -3.7752 0.2583 -14.615 <0.0001 ***
age_mean 8.6033 0.7904 10.885 <0.0001 ***
─── Doğrudan / Dolaylı / Toplam Etkiler (LeSage & Pace 2009) ───
Değişken Doğrudan Dolaylı Toplam
socioeconomic -3.8492 -1.6904 -5.5396
p <0.0001 0.0087 <0.0001
age_mean 8.7718 3.8523 12.6241
p <0.0001 0.0102 <0.0001
p-değerleri: (β, ρ) ~ MVN(θ̂, V̂) benzetimi, R = 1000 çekiliş (sabit tohum 20090101).
─── OLS artıkları — Lagrange çarpanı tanıları (Anselin 1988) ───
LM-lag 20.3389 1 6.487e-06
LM-error 62.3574 1 2.865e-15
Sağlam LM-lag 0.3798 1 0.5377
Sağlam LM-error 42.3982 1 7.446e-11
LM-SARMA 62.7371 2 2.381e-14
OLS artıkları Moran's I: I = 0.4706, z = 8.344, p = 7.195e-17
─── OLS karşılaştırması ve model tanıları ───
OLS: LL = -552.237, AIC = 1112.475
SAR: LL = -544.888, AIC = 1099.777
LR (ρ = 0) = 14.6981, df = 1, p = 0.0001262
Model artıkları Moran's I: I = 0.2173, E[I] = -0.0101, z = 3.938, p = 8.231e-05
Model uyumu:
Sözde R² = 0.7725
Log-olabilirlik = -544.89
AIC = 1099.78
σ² = 3108.2875
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| ρ, SE, GA, z, p | Mekânsal gecikme katsayısı ve Wald testi. | ρ > 0 ve anlamlı: komşuların vaka oranı 1 birim yüksekse ilin vaka oranı (diğerleri sabitken) ρ kadar yüksek. |
| Katsayı tablosu | \hat{\boldsymbol\beta} ve z testleri. | İşaret ve anlamlılık için; büyüklük için etki tablosuna bakılır. |
| Doğrudan / Dolaylı / Toplam | 117.5.6 etkileri; altındaki "p" satırı benzetim p'leri. | Raporlanacak marjinal etkiler bunlardır. |
| LM tabloları | OLS artıklarında beş test ve Moran's I. | Model seçimi: 117.5.7 karar kuralı. |
| LR (ρ = 0) | SAR'ın OLS'ye üstünlüğü. | Wald z'yle aynı soruyu sorar; ikisi çelişirse LR tercih edilir. |
| Model artıkları Moran's I | Kalan bağımlılık. | Anlamlıysa SAR yetersiz; SEM, SDM ya da \mathbf W yeniden düşünülmeli. |
| Sözde R² | kor(\mathbf y,\hat{\mathbf y})^2. | Açıklanan varyans değil; modeller arası kaba karşılaştırma. |
| Notlar | Ada birim, k-NN bağı, ρ küçük/anlamsız, küçük n, ρ > 0,95, S2SLS ρ dışı. | Her biri 117.2'deki koşulda basılır. |
APA biçiminde rapor cümlesi (Türkçe ondalıkla):
İl düzeyindeki vaka oranı için k=5 en yakın komşu, satır standart ağırlık matrisiyle mekânsal gecikme (SAR) modeli en çok olabilirlik yöntemiyle kestirildi (N=100). Mekânsal gecikme katsayısı anlamlıydı, \rho=0{,}32, %95 GA [0{,}16;\ 0{,}48], z=3{,}95, p<0{,}001. Sosyoekonomik endeksin doğrudan etkisi -3{,}85, yayılma etkisi -1{,}69 (p=0{,}009), toplam etkisi -5{,}54; yaş ortalamasının doğrudan etkisi 8{,}77, yayılma etkisi 3{,}85 (p=0{,}010), toplam etkisi 12{,}62 idi. Ancak sağlam LM testleri hata bağımlılığına işaret etti (sağlam LM-error =42{,}40, p<0{,}001; sağlam LM-lag =0{,}38, p=0{,}538) ve SAR artıklarında bağımlılık sürdü (Moran's I =0{,}22, p<0{,}001); mekânsal hata modeli tercih edilmelidir.
117.8 Uzman soruları
S1. Neden \ln\lvert\mathbf I-\rho\mathbf W\rvert terimi olmadan \mathbf W\mathbf y'yi açıklayıcı yapıp OLS kurmak yanlış?
\mathbf W\mathbf y içseldir: y_j hem y_i'yi etkiler hem de y_i'den (komşuluk iki yönlü olduğunda) etkilenir; \mathbf W\mathbf y hata terimiyle ilişkilidir. OLS \rho'yu tutarsız (genellikle yukarı yanlı) kestirir. Jakobyen terimi, ML'nin bu içselliği hesaba katan bileşenidir; S2SLS ise araçlarla çözer (117.5.9).
S2. MerQur'un \hat\rho'su R'dan neden yedinci basamakta farklı?
spreg tek boyutlu sınırlı Brent aramasını 10^{-7} toleransla durdurur. \ell_c(\rho) tepe çevresinde \ell_c(\hat\rho+\delta)\approx\ell_c(\hat\rho)-\tfrac12\mathcal J\delta^2 (\mathcal J\approx154) olduğundan \delta=4\times10^{-8} ℓ'de 10^{-13} değişim yaratır; değer temelli bir arama bunu ayırt edemez. Skor denkleminin kökü (Python) makine duyarlığında kesindir. Fark gösterilen dört ondalığı etkilemez.
S3. Doğrudan etki neden \beta'dan büyük?
\operatorname{tr}(\mathbf I-\rho\mathbf W)^{-1}/n=1+\rho^2\operatorname{tr}(\mathbf W^2)/n+\cdots; \mathbf W'nin köşegeni 0 olduğundan birinci derece terim yoktur, ama \mathbf W^2'nin köşegeni pozitiftir (i'den komşuya, komşudan i'ye dönen yol). Bu geri besleme etkisidir. Tıp verisinde çarpan 1,0196'dır: etkinin %2'si komşulara gidip geri gelir.
S4. Satır standart olmayan \mathbf W'de toplam etki neden \beta/(1-\rho) değil?
\mathbf W\mathbf 1\neq\mathbf 1 olduğunda (\mathbf I-\rho\mathbf W)^{-1}\mathbf 1 sabit bir vektör değildir. MerQur genel tanımı n^{-1}\mathbf 1^{\top}(\mathbf I-\rho\mathbf W)^{-1}\mathbf 1 özdeğer ayrışımıyla hesaplar (117.5.6, kod kutusu). k-NN'de B stili sabit satır toplamlı olduğundan sonuç yine \beta/(1-\rho_W)'ya eşittir.
S5. OLS artık Moran's I testinde asimetrik \mathbf W nasıl ele alınıyor?
\mathbf e^{\top}\mathbf W\mathbf e=\mathbf e^{\top}\mathbf U\mathbf e, \mathbf U=(\mathbf W+\mathbf W^{\top})/2. Cliff–Ord varyans formülündeki \mathbf A ve \mathbf B matrisleri \mathbf U ile kurulur; bu durumda formül, normal hatalı regresyon artıklarında I'nın tam varyansıyla özdeştir: (n/S_0)^2[2\operatorname{tr}(\mathbf M\mathbf U\mathbf M\mathbf U)+(\operatorname{tr}\mathbf M\mathbf U)^2]/[(n-k)(n-k+2)]-E[I]^2. Tıp verisinde iki yol da \operatorname{Var}[I]=0{,}0033259 verir. \mathbf A'yı \mathbf W ile (simetrikleştirmeden) kurmak z=8{,}351 gibi biraz farklı bir değer verirdi.
S6. LM-lag ve LM-error'ın ikisi de anlamlı; hangisine güvenilir?
Tek yönlü testler birbirine "sızar". Sağlam sürümler öteki parametrenin yerel etkisini çıkarır. Tıp verisinde sağlam LM-lag 0,38 (p=0{,}54) iken sağlam LM-error 42,40'tır: gecikme testindeki 20,34'ün neredeyse tamamı hata bağımlılığından gelir. SDM'nin ortak çarpan testi (LR =1{,}72, p=0{,}42) aynı sonucu verir.
S7. S2SLS ile ML neden bu kadar farklı (-0{,}034 ve 0{,}319)?
S2SLS araçların gücüne dayanır: \mathbf W\mathbf X ve \mathbf W^2\mathbf X, \mathbf W\mathbf y'yi ancak \boldsymbol\beta\neq\mathbf 0 ve açıklayıcılar mekânsal olarak yapılandırılmışsa iyi yordar. Ayrıca veri SEM'den geliyorsa SAR yanlış belirtilmiştir; ML yanlış belirtimde hata bağımlılığını \rho'ya yükler, araçlı kestirim yüklemez. İki kestirimin büyük farkı kendi başına bir belirtim uyarısıdır.
S8. Neden n\le4000 sınırı var?
Etkiler ve \lambda_{\max} yoğun özdeğer ayrışımı gerektirir (O(n^3) işlem, O(n^2) bellek). n>4000'de iz Hutchinson kestiricisiyle yaklaşık alınır, etki benzetimi yapılmaz ve not basılır. ML tam yolu da her \rho denemesinde yoğun determinant alır; büyük n'de "ML — seyrek LU" seçilmelidir.
S9. Güven düzeyi %99 seçilince anlamlılık kararı değişir mi?
Evet; karar seçilen düzeye göre verilir (p<\alpha; %99'da \lvert z\rvert>2{,}576) ve GA de aynı düzeyle kurulur. Böylece aynı çıktıda GA ile karar çelişmez. Tıp verisinde z=3{,}95 olduğundan karar iki düzeyde de aynıdır.
117.9 Sık hatalar ve tuzaklar
- \beta'yı marjinal etki gibi yorumlamak. \rho\neq0 iken x_j'deki değişimin y'ye ortalama etkisi doğrudan etki, tüm sistemdeki etkisi toplam etkidir. Tıp verisinde sosyoekonomik endeksin toplam etkisi \beta'nın 1,47 katıdır.
- Enlem ile boylamı ters seçmek. MerQur uzaklığı (\text{boylam},\ \text{enlem}) çiftiyle hesaplar; Öklid uzaklıkta sıranın önemi yoktur, ama büyük çemberde ters seçim yanlış uzaklık verir. Koordinat sütunlarının adını ve aralığını denetleyin.
- Derece koordinatta uzaklık eşiğini km sanmak. Öklid uzaklıkta eşik derecedir (Tıp verisinde 1,678). Km için "Büyük çember" seçilir.
- Ada birimleri görmezden gelmek. Uzaklık bandında komşusuz birimin \mathbf W\mathbf y'si 0'dır; model bu birimi "komşusu ortalama 0" sanar. Not basılırsa eşik büyütülmeli ya da k-NN kullanılmalıdır.
- Model artıklarındaki Moran's I'yı atlamak. SAR kurmak bağımlılığı gidermeyebilir (Tıp verisinde I = 0,22, p<0{,}001). LM sağlam testleri ve SDM indirgeme testleriyle birlikte okunmalıdır.
- SAR ve SEM'i AIC ile seçip mekanizmayı yok saymak. İki model farklı soruları cevaplar; AIC yalnız veri uyumunu karşılaştırır. Kuramsal gerekçe (yayılma var mı?) önce gelir.
- Sözde R²'yi OLS R²'siyle karşılaştırmak. Sözde R² gözlenen \mathbf W\mathbf y'yi kullandığından iyimserdir.
- Benzetim p'lerinin tekrarlanmasını beklememek. Tohum sabittir; aynı veride MerQur her zaman aynı p'yi verir. R ya da başka bir yazılım farklı çekilişlerle biraz farklı SH verir.
- Dış ağırlık dosyasında satır sırası. .gal kimlikleri veri satır sırasına eşlenir (0..n−1 ya da 1..n). Eksik değerli satır silinirse hizalama bozulacağından MerQur hata verir; veri önce temizlenmelidir.
117.10 Kaynaklar
- Anselin, L. (1988). Spatial econometrics: Methods and models. Kluwer. https://doi.org/10.1007/978-94-015-7799-1
- 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
- Bivand, R., 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
- Bivand, R., & Piras, G. (2015). Comparing implementations of estimation methods for spatial econometrics. Journal of Statistical Software, 63(18). https://doi.org/10.18637/jss.v063.i18
- Cliff, A. D., & Ord, J. K. (1981). Spatial processes: Models & applications. Pion.
- Elhorst, J. P. (2010). Applied spatial econometrics: Raising the bar. Spatial Economic Analysis, 5(1), 9–28. https://doi.org/10.1080/17421770903541772
- 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
- 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/10.2307/2332142
- 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
- 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