数据介绍
本模块将用到columbus数据集,该数据集包含columbus、polys、coords、col.gal.nb和bbs五个对象。
columbus:数据框,包括1980年俄亥俄州哥伦布市49个观测点的22个变量值;
polys:polylist对象,表示邻居的边界;
coords:矩阵,表示多边形中心坐标;
col.gai.nb:列表,表示邻居列表;
bbs:矩阵,已被删除。
- #调入包
- library(spdep)
- #读入数据
- data("columbus")
- #显示数据文件的内容
- str(columbus)
- #连接数据
- attach(columbus)
- #散点图(演示一下)
- plot(INC, CRIME)
- #估计简单的回归模型
- model0 <- lm(CRIME ~ HOVAL + INC)
- #model0的概要输出
- summary(model0)
- #残差同质性检验
- library(lmtest)
- bptest(model0) #p值为0.0271
- #残差正态性检验
- model0$residuals
- shapiro.test(model0$residuals) #p值为0.4497
- #哥伦布市49个普查区的中心分布
- plot(X, Y)
- #定义权重矩阵(行标准化形式)
- W <- nb2listw(col.gal.nb)
- #残差自相关检验
- lm.morantest(model0, W) #p值为0.0037
- #由于存在异方差和空间自相关,先进行特定备择假设下回归残差的自相关检验
- lm.LMtests(model0, listw = W, test = "all") #SARMA对应的p值为0.0194
- #函数被调入这个包里了
- library(spatialreg)
- #ML方法(同质性)
- model1 <- sacsarlm(CRIME ~ HOVAL + INC, listw = W)
- summary(model1) #LR检验的p值为0.0135
- #需要调入新包
- library(sphet)
- #修正的广义空间两阶段最小二乘法(异质性)
- model2 <- gstslshet(CRIME ~ HOVAL + INC, listw = W)
- summary(model2)
- model2$W #Wald检验统计量的p值为0.0581
- #方差-协方差矩阵的非参数估计(异质性)
- #生成空间滞后变量
- WX <- lag.listw(W, X)
- #纯自回归模型
- model4 <- spautolm(CRIME ~ 1, listw = W)
- summary(model4)
- #空间误差模型
- model5 <- errorsarlm(CRIME ~ HOVAL + INC, listw = W)
- summary(model3)
- #空间滞后模型
- model5 <- lagsarlm(CRIME ~ HOVAL + INC, listw = W)
- summary(model5)
- model6 <- lagsarlm(CRIME ~ HOVAL + INC, listw = W, type = "mixed")
- summary(model6)
- model7 <- stsls(CRIME ~ HOVAL + INC, listw = W)
- summary(model7)
- #SARAR模型
- model8 <- sacsarlm(CRIME ~ HOVAL + INC, listw = W)
- summary(model8)
- model9 <- gstsls(CRIME ~ HOVAL + INC, listw = W)
- summary(model9)
主要参考《空间计量经济学入门:在R中的应用》,更多关于可视化的操作正在探索中,大家多多交流。



雷达卡




京公网安备 11010802022788号







