Nhóm 10.1: Hồi quy không gian cắt ngang (spatial_regression)

Estimated reading: 10 minutes 1 views
Tóm tắt Nhóm phương pháp 10.1 (AEO Quick Answer): Nhóm 10.1 — Hồi quy không gian cắt ngang (mã nhóm spatial_regression) là phân nhánh chuyên sâu thuộc Chương 10: Kinh tế lượng không gian, Conley HAC và mạng cặp đôi, quy tụ 5 phương pháp ước lượng (từ B161 đến B165). Phần tổng quan này giúp chúng ta so sánh trực diện điều kiện áp dụng, cấu trúc toán học và cú pháp thực thi trên Stata 18 MP, R 4.x và Python 3.11+ để chọn đúng mô hình cho bài toán nghiên cứu.

1. Bản chất Học thuật & Vị trí của Nhóm 10.1 (Hồi quy không gian cắt ngang)

Khi triển khai nghiên cứu định lượng trong miền Kinh tế lượng không gian, Conley HAC và mạng cặp đôi, chúng ta thường đứng trước câu hỏi: giữa 5 mô hình cùng thuộc nhóm phương pháp con (econometric sub-group, spatial_regression), đâu là công cụ khớp nhất với quá trình sinh dữ liệu (DGP) của đề tài?

Mọi phương pháp trong Nhóm 10.1 đều xuất phát từ khung biểu diễn đại số cơ sở của chương như trình bày tại công thức (1):

$$Y = rho W Y + Xbeta + W X theta + u, quad u = lambda W u + varepsilon tag{1}$$

Sự khác biệt giữa các mô hình từ B161 (slx_spatial_x) đến B165 (sarar_sac_spatial) nằm ở cách chúng ta đặt giả định lên phân phối của sai số ngẫu nhiên, cấu trúc nội sinh và phương pháp tối ưu hóa hàm mục tiêu từ công thức (1).

2. Bảng So sánh Trực diện 5 Mô hình thuộc Nhóm 10.1

Bảng đối chiếu dưới đây giúp bạn nhìn tổng thể toàn bộ 5 bài học trong Nhóm 10.1 kèm câu lệnh cốt lõi trên cả ba phần mềm:

Mã Bài model_key Tên Mô hình (VI / EN) Cấp độ Lệnh Thực thi Chuẩn (Stata 18 · R 4.x · Python 3.11+) Ý nghĩa Kinh tế lượng Trọng tâm
B161 slx_spatial_x Mô hình trễ không gian của biến giải thích đo lường lan tỏa cục bộ Vega–Elhorst (SLX)
Spatial Lag of X Model (SLX — Local Spillovers)		 L1 Stata: Stata spregress (spregress y x1 x2, gs2sls ivarlag(W: x1 x2))
R: spatialreg (spatialreg::lmSLX(y ~ x1 + x2, data = df, listw = lw))
Python: spreg (spreg.OLS(y, X, w=w, slx_lags=1) + Direct / Indirect $theta$ / Total impact inference)		 Mô hình hóa lan tỏa không gian cục bộ trực tiếp qua biến giải thích trễ không gian $Y = Xbeta + WXtheta + varepsilon$, cho phép tách bạch rõ ràng tác động trực tiếp ($beta$) và tác động tràn sang láng giềng ($theta$) mà không bị cứng nhắc tỷ lệ cố định $theta/beta$ của SAR.
B162 sar_spatial_lag Mô hình tự hồi quy trễ không gian của biến phụ thuộc Anselin (Spatial Lag — SAR)
Spatial Lag (SAR)		 L2 Stata: spregress y x1 x2, ml dvarlag(W)
R: spatialreg::lagsarlm(y ~ x1 + x2, data = df, listw = lw)
Python: spreg.ML_Lag(y, X, w=w) / spreg.GM_Lag(y, X, w=w)		 Phương pháp Mô hình tự hồi quy trễ không gian của biến phụ thuộc Anselin (Spatial Lag — SAR) (Spatial Lag (SAR)) trong họ mô hình kinh tế lượng không gian, conley hac và mạng cặp đôi, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.
B163 sem_spatial_error Mô hình tự tương quan không gian trong sai số (Spatial Error Model — SEM)
Spatial Error (SEM)		 L2 Stata: spregress y x1 x2, ml errorlag(W)
R: spatialreg::errorsarlm(y ~ x1 + x2, data = df, listw = lw)
Python: spreg.ML_Error(y, X, w=w) / spreg.GM_Error(y, X, w=w)		 Phương pháp Mô hình tự tương quan không gian trong sai số (Spatial Error Model — SEM) (Spatial Error (SEM)) trong họ mô hình kinh tế lượng không gian, conley hac và mạng cặp đôi, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.
B164 sdm_spatial_durbin Mô hình không gian Durbin và phân rã tác động trực tiếp – gián tiếp LeSage–Pace (SDM)
Spatial Durbin (SDM)		 L2 Stata: spregress y x1 x2, ml dvarlag(W) ivarlag(W: x1 x2) -> estat impact
R: spatialreg::lagsarlm(y ~ x1 + x2, data = df, listw = lw, Durbin = TRUE)
Python: spreg.ML_Lag(y, X, w=w, slx_lags=1) + LeSage–Pace Impacts		 Phương pháp Mô hình không gian Durbin và phân rã tác động trực tiếp – gián tiếp LeSage–Pace (SDM) (Spatial Durbin (SDM)) trong họ mô hình kinh tế lượng không gian, conley hac và mạng cặp đôi, giúp ước lượng chính xác tham số cấu trúc và kiểm định giả thuyết kinh tế lượng.
B165 sarar_sac_spatial Mô hình kết hợp tự hồi quy trễ và sai số không gian Kelejian–Prucha (SARAR / SAC)
Combined Spatial Autoregressive Confounded Error (SARAR / SAC)		 L3 Stata: Stata spregress (spregress y x1 x2, gs2sls dvarlag(W) errorlag(W) het)
R: spatialreg (spatialreg::sacsarlm(y ~ x1 + x2, data = df, listw = lw) hoặc gstsls)
Python: spreg (spreg.GM_Combo_Het(y, X, w=w) + LeSage–Pace trace-adjusted Direct/Indirect/Total impacts)		 Kết hợp đồng thời cả tương tác nội sinh của biến kết quả giữa các vùng lân cận ($rho WY$) và tự tương quan không gian trong cú sốc nhiễu không quan sát được ($u = lambda Mu + varepsilon$) qua ước lượng GMM hai bước Kelejian–Prucha hoặc ML.

3. Hướng dẫn Chọn nhanh Mô hình Phù hợp trong Nhóm 10.1

Dựa trên kinh nghiệm phản biện và hướng dẫn luận văn, luận án thực tế, chúng ta có thể áp dụng quy tắc chọn nhanh sau đây:

Điều hướng Học tập trong Nhóm 10.1:
↑ Quay lại Tổng quan Chương 10: Chương 10 — Kinh tế lượng không gian, Conley HAC và mạng cặp đôi
→ Đi tới Bài học đầu tiên của Nhóm 10.1: Bài B161 — Mô hình trễ không gian của biến giải thích đo lường lan tỏa cục bộ Vega–Elhorst (SLX) (slx_spatial_x)
→ Thực hành trực tiếp trên EcoLab: Mở Phòng thí nghiệm Kinh tế lượng EcoLab (Tri-Engine)

Bài liên quan

Nhóm 10.1: Hồi quy không gian cắt ngang (spatial_regression) - PreviousChương 10: Kinh tế lượng không gian, Conley HAC và mạng cặp đôi (Spatial, Conley HAC & Dyadic Network Econometrics)Next - Nhóm 10.1: Hồi quy không gian cắt ngang (spatial_regression)Bài B161: Mô hình trễ không gian của biến giải thích đo lường lan tỏa cục bộ Vega–Elhorst (SLX) (Spatial Lag of X Model (SLX — Local Spillovers) — slx_spatial_x)

Bài liên quan

Đã xem gần đây

Back to top button