MerQuR+Başvuru Kitabı

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=\rho\,\mathbf W\mathbf y+\mathbf X\boldsymbol\beta+\boldsymbol\varepsilon,\qquad \boldsymbol\varepsilon\sim N(\mathbf 0,\sigma^2\mathbf I_n)
  • \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:

b_{ij}=\begin{cases}1, & j\in N_k(i)\\ 0, & \text{aksi}\end{cases}\qquad w_{ij}=\frac{b_{ij}}{\sum_{l}b_{il}}=\frac{b_{ij}}{k}
  • N_k(i): i'nin kendisi hariç en yakın k birimi (libpysal KNN.from_array; spdep knearneigh + knn2nb karşılığı).
  • 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

d_{ij}=2R\arcsin\!\big(c_{ij}/2\big),\qquad R=6371\ \text{km}
  • 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 = TRUE WGS84 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):

\text{B: }b_{ij},\qquad \text{C: }b_{ij}\frac{n_e}{S_0},\qquad \text{U: }\frac{b_{ij}}{S_0},\qquad \text{S: }\frac{b_{ij}/q_i}{\sum_{i,j}b_{ij}/q_i}\,n_e,\quad q_i=\Big(\sum_j b_{ij}^2\Big)^{1/2}
  • 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:

\ell(\boldsymbol\beta,\rho,\sigma^2)=-\frac n2\ln(2\pi)-\frac n2\ln\sigma^2+\ln\lvert\mathbf I-\rho\mathbf W\rvert-\frac{1}{2\sigma^2}\boldsymbol\varepsilon^{\top}\boldsymbol\varepsilon
  • \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:

\mathbf b_0=(\mathbf X^{\top}\mathbf X)^{-1}\mathbf X^{\top}\mathbf y,\quad \mathbf b_1=(\mathbf X^{\top}\mathbf X)^{-1}\mathbf X^{\top}\mathbf W\mathbf y,\quad \mathbf e_0=\mathbf y-\mathbf X\mathbf b_0,\quad \mathbf e_1=\mathbf W\mathbf y-\mathbf X\mathbf b_1
\hat{\boldsymbol\beta}(\rho)=\mathbf b_0-\rho\,\mathbf b_1,\qquad \hat\sigma^2(\rho)=\frac{(\mathbf e_0-\rho\mathbf e_1)^{\top}(\mathbf e_0-\rho\mathbf e_1)}{n}

Bunlar yerine konunca tek değişkenli yoğunlaştırılmış log-olabilirlik kalır:

\ell_c(\rho)=-\frac n2\ln(2\pi)-\frac n2-\frac n2\ln\hat\sigma^2(\rho)+\ln\lvert\mathbf I-\rho\mathbf W\rvert
  • \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:

\ln\lvert\mathbf I-\rho\mathbf W\rvert=\sum_{i=1}^{n}\ln(1-\rho\lambda_i)
  • \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; R lagsarlm(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). R lagsarlm aralığı 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):

\mathcal I=\begin{bmatrix}\dfrac{\mathbf X^{\top}\mathbf X}{\sigma^2} & \dfrac{\mathbf X^{\top}\mathbf W_A\mathbf X\boldsymbol\beta}{\sigma^2} & \mathbf 0\\[8pt] \cdot & \operatorname{tr}(\mathbf W_A^2)+\operatorname{tr}(\mathbf W_A^{\top}\mathbf W_A)+\dfrac{(\mathbf W_A\mathbf X\boldsymbol\beta)^{\top}\mathbf W_A\mathbf X\boldsymbol\beta}{\sigma^2} & \dfrac{\operatorname{tr}\mathbf W_A}{\sigma^2}\\[8pt] \cdot & \cdot & \dfrac{n}{2\sigma^4}\end{bmatrix}
  • \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.
z_j=\frac{\hat\beta_j}{\SH_j},\qquad p_j=2\big[1-\Phi(\lvert z_j\rvert)\big],\qquad \text{GA: }\hat\beta_j\pm z_{1-\alpha/2}\,\SH_j,\qquad \hat\rho\pm z_{1-\alpha/2}\,\SH_\rho

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

\text{AIC}=-2\hat\ell+2(k+2),\qquad \text{LR}_{\rho=0}=2(\hat\ell_{\text{SAR}}-\hat\ell_{\text{OLS}})\sim\chi^2_1,\qquad R^2_{\text{sözde}}=\operatorname{kor}(\mathbf y,\hat{\mathbf y})^2
  • k+2: k katsayı, \rho ve \sigma^2. MerQur \sigma^2'yi de sayar (953–954); R AIC(lagsarlm) ile aynıdır, spreg'in kendi aic alanından 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:

\bar M_{\text{doğrudan}}=\frac1n\operatorname{tr}\mathbf S_j,\qquad \bar M_{\text{toplam}}=\frac1n\mathbf 1^{\top}\mathbf S_j\mathbf 1,\qquad \bar M_{\text{dolaylı}}=\bar M_{\text{toplam}}-\bar M_{\text{doğrudan}}

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:

\bar M_{\text{doğrudan}}=\beta_j\,\frac1n\sum_{i=1}^n\frac{1}{1-\rho\lambda_i},\qquad \bar M_{\text{toplam}}=\frac{\beta_j}{1-\rho}
  • \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") ve impacts() 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). R summary(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).

I=\frac{n}{S_0}\,\frac{\mathbf e^{\top}\mathbf W\mathbf e}{\mathbf e^{\top}\mathbf e},\qquad E[I]=-\frac{n\operatorname{tr}\mathbf A}{S_0(n-k)},\qquad \mathbf A=(\mathbf X^{\top}\mathbf X)^{-1}\mathbf X^{\top}\mathbf U\mathbf X
\operatorname{Var}[I]=\frac{n^2}{S_0^2(n-k)(n-k+2)}\Big[S_1+2\operatorname{tr}(\mathbf A^2)-\operatorname{tr}\mathbf B-\frac{2(\operatorname{tr}\mathbf A)^2}{n-k}\Big]
  • 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.morantest ile 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:

d_\lambda=\frac{\mathbf e^{\top}\mathbf W\mathbf e}{\tilde\sigma^2},\quad d_\rho=\frac{\mathbf e^{\top}\mathbf W\mathbf y}{\tilde\sigma^2},\quad T=\operatorname{tr}(\mathbf W^{\top}\mathbf W+\mathbf W^2),\quad nJ=\frac{(\mathbf W\mathbf X\mathbf b)^{\top}\mathbf M(\mathbf W\mathbf X\mathbf b)}{\tilde\sigma^2}+T
\text{LM}_{\text{err}}=\frac{d_\lambda^2}{T},\qquad \text{LM}_{\text{lag}}=\frac{d_\rho^2}{nJ},\qquad \text{RLM}_{\text{err}}=\frac{(d_\lambda-T\,d_\rho/nJ)^2}{T(1-T/nJ)},\qquad \text{RLM}_{\text{lag}}=\frac{(d_\rho-d_\lambda)^2}{nJ-T}
\text{LM}_{\text{SARMA}}=\text{RLM}_{\text{lag}}+\text{LM}_{\text{err}}\sim\chi^2_2
  • \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:

E[I]=-\frac{1}{n-1},\qquad \operatorname{Var}[I]=\frac{n^2S_1-nS_2+3S_0^2}{(n^2-1)S_0^2}-E[I]^2,\qquad S_2=\sum_i\Big(\sum_j w_{ij}+\sum_j w_{ji}\Big)^2

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 y=\rho\mathbf W\mathbf y+\mathbf X\boldsymbol\beta+\mathbf W\mathbf X_{(-1)}\boldsymbol\theta+\boldsymbol\varepsilon
  • \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{\mathbf Z}^{\top}\mathbf Z)^{-1}\hat{\mathbf Z}^{\top}\mathbf y,\quad \hat{\mathbf Z}=\mathbf P_H\mathbf Z,\quad \mathbf P_H=\mathbf H(\mathbf H^{\top}\mathbf H)^{-1}\mathbf H^{\top},\quad \hat{\mathbf V}=\hat\sigma^2(\hat{\mathbf Z}^{\top}\hat{\mathbf Z})^{-1},\quad \hat\sigma^2=\frac{\hat{\mathbf u}^{\top}\hat{\mathbf u}}{n-k-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\mathbf y)_1=\frac{441{,}7+509{,}3+685{,}0+525{,}3+366{,}6}{5}=505{,}58

\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

\frac{d\ell_c}{d\rho}=\frac{n\,(\mathbf e_0-\rho\mathbf e_1)^{\top}\mathbf e_1}{(\mathbf e_0-\rho\mathbf e_1)^{\top}(\mathbf e_0-\rho\mathbf e_1)}-\sum_i\frac{\lambda_i}{1-\rho\lambda_i}=0

kökü \hat\rho=0{,}3185007. Bu noktada \ln\lvert\mathbf I-\hat\rho\mathbf W\rvert=-0{,}903233 ve

\hat\sigma^2=\frac{366605{,}904-2(0{,}3185007)(156008{,}924)+0{,}3185007^2(429806{,}709)}{100}=3108{,}2875
\hat\ell=-50\ln(2\pi)-50-50\ln(3108{,}2875)-0{,}903233=-544{,}88845

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