空间自回归模型及其估计.docVIP

3 空间自回归模型及其估计 李序颖 顾 岚 ABSTRACT In this paper we discuss the spatial autoregression models. We can use the models to study the data from regions which with spatial dependence . We discuss maximum likelihood estimation (ML E) for the model and the methods of test based on ML E. We also give some results of spatial autoregression models for the fifteen cities of Yangtze River Delta . 关键词 : 空间相关 ; 空间自回归模型 ; 极大似然估计 一 、概述 在经济问题研究中 ,处理的数据分为时间序列数据 、 截面数据以及截面时间序列数据 (panel data) 。应用回归 模型研究变量之间的关系时 ,假设模型满足 Gauss- Markov 条件 ,当研究的数据是时间序列时 , 通常会存在序列相 关 ,针对这类数据的问题可以结合时间序列分析的方法 加以处理 ;如果研究的数据为截面数据时 ,若数据是取自 某一时点 (或时期) 的不同区域 ( 或点 ,以下统称区域) ,如 不同的省份 、市 、县等 ,数据中通常包含区域所处位置的 特性 ,因此 ,各区域之间的数据也会存在相关 ,这种相关 性与时间序列的相关对应 ,称为空间相关 。 处理空间相关问题与时间序列相关相比 , 其特殊之 处在于序列相关只有时间维一个方向 , 而空间相关的方 向是多维的 。研究空间相关时 ,基本想法是相邻的区域 比较“相似”,较远的区域不太“相似”,即假定相邻的区域 有较强的相关 ,距离远的区域相关性较弱 ,因此 ,在研究 过程中 , 涉及空间相邻 、空间加权矩阵等概念 , 张尧庭 (1996) 对这些问题进行了讨论 。与处理序列相关问题时 类似 ,处理空间相关问题的一种方法是空间自回归模型 , Cliff 和 Ord (1981) 对其一般模型 、参数估计和检验技术进 行了开拓性的工作 , 本文将着重介绍空间自回归模型及 其估计问题 ,并给出一个案例 。 二 、模型及参数的极大似然估计 (一) 模型 针对截面数据的空间自回归模型的一般形式为 : y = ρW1 y + Xβ + u u = λW u + ε (1) 其中 y 是所研究区域的被解释变量 , X 是解释变量 , u 是 空间模型的残差 。 一般形式的空间自回归模型可以派生出其他几种的 模型 。 当ρ= λ= 0 时 , 为传统的回归模型 , 它意味着模型 中 ,没有空间特性的影响 。 当ρ≠0 ,β= λ= 0 时 ,为一阶空间自回归模型 。这个 模型类似时间序列分析中的一阶自回归模型 , 反映了变 量在空间上的相关特征 , 即所研究区域的被解释变量如 何受到相邻区域被解释变量的影响 。 当ρ≠0 ,β≠0 ,λ= 0 时 ,为混合回归与空间自回归模 型 。在这个模型中 ,所研究区域的被解释变量不仅与本 区域的解释变量有关 ,还与相邻区域的被解释变量有关 。 当ρ= 0 ,β≠0 ,λ≠0 ,为残差空间自回归模型 。注意 到这个模型可以改写为 : ( In - λW) y = ( In - λW) Xβ + ε 也即所研究区域的被解释变量 ( Y) 不仅与本区域解释变 量 ( X) 有关 ,还与相邻区域的被解释变量 ( 表现为 WY) 以 及解释变量 (表现为 WX) 有关 。 (二) 参数估计 各种空间自回归模型中的空间相关性从形式上看与 时间序列问题中时间方向上的相关非常类似 , 因此人们 希望将用于滞后相关和序列相关的最小二乘估计 ( OLS E) 的性质直接用于空间的情形 。然而 ,空间相关具有多方 向的特性 ,因此时间序列分析方法中一些有效的方法不 能直接用于空间模型 。下面分别考察空间自回归模型的 最小二乘估计 、极大似然估计 ,以及在极大似然估计时的  统计检验问题 。 11 最小二乘估计 (1) 空间自回归的最小二乘估计 经典经济计量学中 ,既使模型中存在滞后因变量 ,只 要残差项不存在序列相关 , OLS E 仍是一致估计 ,因此 ,尽 A = I - ρW1 , B = I - λW2 (8) 于是一般空间自回归模型为 : A y = Xβ + u , B u = ε (9) y 的 log 似然函数为 : L = - n lo