1、 首次使用stata的一些基本设定
clear all //清空内存
set more off //不停止执行命令
cd D:\Statastudy //设置工作路径
pwd //查看工作路径
2、认识空间权重矩阵
(1)安装空间权重矩阵
findit spatwmat
(2)导入权重矩
use columbusswm.dta , clear
(3)将权重矩阵命名为W
help spatwmat //可使用该命令查看命令设置
spatwmat using columbusswm.dta ,name(W)
spatwmat using columbusswm.dta ,name(W) standardize //行标准化
(4)查看权重矩阵
matrix list W
3、计算全域moran指数
use columbusdata.dta ,clear
spatgsa crime ,weights(W) moran twotail
4、计算局域moran指数
spatlsa crime, weights(W) moran twotail
5、空间滞后模型和空间误差模型的操作
(1)构建普通最小二乘回归模型
reg crime hoval income
est store ols
(2)空间误差模型和空间自相关模型的选择
spatdiag , weights(W)
空间误差模型认为存在空间自相关,但他的稳健性检验不拒绝原价设,空间自回归模型都认为有空间效应,因此空间误差和空间自相关模型都可以尝试一下。
(3)计算空间权重矩阵的特征值
spatwmat using columbusswm.dta , name(W) eigenval(E)
spatwmat using columbusswm.dta , name(W)eigenval(E) standardize 表示标准化
(4)空间滞后模型(SLM/SAR) model(lag)表示空间自相关模型
help spatreg
spatreg crime hoval income , weights(W) eigenval(E)model(lag) nolog
est store slm
rho 是空间自回归的系数,p=0 ,说明空间效应存在,三大检验统计量都拒绝原假设。
spatreg crime hoval income , weights(W) eigenval(E) model(lag) nolog robust
可以进行文件估计
说明标准误是稳健的,参数估计值
(5)空间误差模型(SEM)
spatreg crime hoval income , weights(W) eigenval(E)model(error) nolog
est store sem
lambda 的p=0.003 因此拒绝原假设
空间自相关和空间误差模型都是显著的,因此对普通最小二乘估计,空间自回归和空间误差模型都进行比较
*-compare the result of ols , slm and sem
esttab ols slm sem, r2 p
(6)混合SARAR和广义空间二阶段最小二乘法
*-SARAR模型操作
*-安装包sappack.pkg
net install sappack.pkg
findit spmat
*-定义空间权重矩阵
use columbusswm.dta , clear
help spmat
spmat dta w1 a1 - a49
spmat graph w1
spmat summarize w1
spmat eigenvalues w1
*-特别地,还可以求距离的权重矩阵,euclidean (default),
*-dhaversine, rhaversine
use pollute ,clear
spmat idistance dobj longitude latitude,id(id) ///
dfunction(dhaversine)
spmat graph dobj
(7)SARAR 估计
use columbusdata.dta , clear
help spreg
spreg ml crime hoval income,id(id)dlmat(w1) elmat(w1) nolog
spreg ml crime hoval income,id(id)dlmat(w1) elmat(w1)
spmat lag double crime_w w1 crime
(8)GS2SLS 估计 广义最小二乘估计
spreg gs2sls crime hoval income , id(id)dlmat(w1) elmat(w1) het nolog
其中dlmat(w1) 空间自回归模型, elmat(w1)空间误差模型,即将空间自回归和空间误差模型整合在一起 组成了一般化的空间模型。也可以做单独的空间自回归和空间误差,保留相应的命令即可。
lambda 指的是y 的空间自回归系数,rho是扰动项的空间自回归系数。
其中,lambda 通过检验,rho 没有通过检验。
spreg mle gs2sls crime hoval income ,id(id) dlmat(w1) elmat(w1) nolog
运用极大似然估计来建立模型。其中,rho 还是不行显著,说明只需要建立空间自回归模型。
结果显著
建立空间误差模型
还是显著,但是由于一般的空间模型中,空间误差不通过检验,因此选择空间自回归模型。
spivreg crime (income = hoval),id(id) dlmat(w1) elmat(w1) het nolog
分析,income是不是内生解释变量,hoval作为工具变量,去估计。由于income 和hoval 分别作为内生解释变量和工具变量,因此不需要在外面作为外甥解释变量
spivregcrime (income = hoval), id(id) dlmat(w1) elmat(w1) het nolog impower(3)
其中impower(3) 是内生解释变量的阶数
二、空间面板杜宾模型1、建模过程(1)输入数据
(2)描述性分析
(3)面板单位根检验(若t较小,单位根检验方法功效低,可以不做)
(4)若变量平稳,可以进行一下操作(如果是截面数据就不需要单位根检验)
直接效应、间接效应、总效应:
直接效应:区域i的变量xit对区域的被解释变量yit产生的影响
总效应:所有区域的变量xit变动对区域j的被解释变量yit产生的影响
间接效应:其他区域的额变量xrt变动对本区域j的被解释变量yit产生的影响,也为空间溢出效应。
2、实证
use product.dta,clear
gen lngsp=log(gsp)
gen lnpcap=log(pcap)
gen lnpc=log(pc)
gen lnemp=log(emp)
(自己生成spmat 文件
use distance.dta
spmat dta W A-AD
spmat save W using"distance.spmat")
spmat use usaww using usaww.spmat
(spmat use usaww using http://www.econometrics.it/stata/data/xsmle/usaww.spmat)
xsmle lngsp lnpcap lnpc lnemp, re model(sdm) wmat(usaww) dmat(usaww) nolog
其中 wmat(usaww)为被解释变量的空间权重矩阵 dmat(usaww)是解释变量的空间权重矩阵 re 是随机效应
main指的是变量对本地区的影响系数,Wx指的是变量对其他地区的空间溢出系数,rho应是被解释变量对周边地区的空间溢出系数
xsmle lngsp lnpcap lnpc lnemp ,re wmat(usaww) model(sdm) robust nolog effects
其中effects 可以输出直接效应、间接效应、总效应 robust 是进行稳健性检验
*-豪斯曼检验
xsmle lngsp lnpcaplnpc lnemp , fe wmat(usaww) model(sdm) husmannolog robust effects
个体时点固定效应检验们,也可以不用robust 检验
xsmle lngsp lnpcaplnpc lnemp ,fe wmat(usaww) model(sdm) husman nolog robust type(both) effects
个体时点双固定效应检验们,也可以不用robust 检验
在做空间面板分析的时候最关心的是,直接效应、间接效应、以及总效应。
xsmle lngsp lnpcaplnpc lnemp ,fe wmat(usaww) model(sdm) husman nolog robust type(both)dlag(1) effects
dlag(1) 表示模型含被解释变量时间滞后项
dlag(2)表示模型中含y(i,t-1)的空间滞后项
dlag(3)两者都含
quietly xsmlelngsp lnpcap lnpc lnemp ,wmat(usaww) ///
model(sdm) nolog noeffect
est store re
quietly xsmle lngsp lnpcap lnpc lnemp ,wmat(usaww)////
model(sdm)nolog fe noeffect
est store fe
hausman fe re
制定哪些变量有滞后项
xsmle lngsp lnpcap lnpc lnemp , fe wmat(usaww) model(sdm) durbin(lnemp)nolog robust effects
空间自回归模型
xsmle lngsp lnpcap lnpc lnemp , fewmat(usaww) emat(usaww) model(sac) nologeffects
rho 被解释变量的空间效应
Lanmda 是误差项的空间效应
空间误差模型
xsmle lngsp lnpcap lnpc lnemp , fe wmat(usaww)emat(usaww) model(sem) nolog effects