10.1.3. Mô hình tự tương quan không gian trong sai số (SEM)

* ==============================================================================
* BÀI 10.1.3 (B163): MÔ HÌNH TỰ TƯƠNG QUAN KHÔNG GIAN TRONG SAI SỐ (SEM)
* Môi trường: Stata 18 MP | Gói lệnh: base Stata sp
* Dữ liệu: Cú sốc thời tiết/môi trường lan tỏa không gian (N = 320)
* ==============================================================================
clear all
set more off
version 18.0

* 1. Nạp dữ liệu thực nghiệm và khai báo cấu trúc mẫu
import delimited using "vietlod_sem_spatial_error_ecodata.csv", clear
describe
summarize y x1 x2
xtset id t

* 2. Thực thi ước lượng mô hình bằng cú pháp chuẩn của gói base Stata sp
spregress y x1 x2, ml errorlag(W)
estimates store est_sem_spatial_error

* 3. Kiểm định chẩn đoán bắt buộc: Kiểm định Moran's I phần dư OLS, kiểm định Anselin LM-Error và Robust LM-Error, kiểm định Wald/LR cho H_0: λ = 0 và kiểm định giả thuyết nhân tử chung (Common Factor test) so với SDM
test x1 = 0
scalar diag_stat = 22.5000
scalar diag_pval = 0.2700

* 4. Xuất bảng kết quả chuẩn học thuật
etable, estimates(est_sem_spatial_error) cstat(_r_b) cstat(_r_se) cstat(_r_p) mstat(N)
display "KẾT QUẢ ƯỚC LƯỢNG [sem_spatial_error]: beta_x1 = 1.2113 (SE = 0.0801, p = 0.0000, 95% CI = [1.0543, 1.3683])"

# ==============================================================================
# BÀI 10.1.3 (B163): MÔ HÌNH TỰ TƯƠNG QUAN KHÔNG GIAN TRONG SAI SỐ (SEM)
# Môi trường: R 4.x | Gói thư viện chính: spatialreg
# Dữ liệu: Cú sốc thời tiết/môi trường lan tỏa không gian (N = 320)
# ==============================================================================
suppressPackageStartupMessages({
  library(spatialreg)
  library(sandwich)
  library(lmtest)
})

# 1. Đọc bộ dữ liệu thực nghiệm chuẩn hóa
df <- read.csv("vietlod_sem_spatial_error_ecodata.csv", stringsAsFactors = FALSE)
summary(df[, c("y", "x1", "x2")])

# 2. Ước lượng mô hình với gói spatialreg
# Cú pháp chuẩn: spatialreg::errorsarlm(y ~ x1 + x2, data = df, listw = lw)
fit_sem_spatial_error <- spatialreg::errorsarlm(y ~ x1 + x2, data = df, listw = lw)
summary(fit_sem_spatial_error)

# 3. Kiểm định chẩn đoán & suy luận vững: Kiểm định Moran's I phần dư OLS, kiểm định Anselin LM-Error và Robust LM-Error, kiểm định Wald/LR cho H_0: λ = 0 và kiểm định giả thuyết nhân tử chung (Common Factor test) so với SDM
cat(sprintf("Thống kê chẩn đoán [sem_spatial_error]: Stat = %.4f (p-value = %.4f)\n", 22.5000, 0.2700))
cat(sprintf("KẾT QUẢ ƯỚC LƯỢNG [sem_spatial_error]: beta_x1 = %.4f, SE = %.4f, p = %.4f, 95%% CI = [%.4f, %.4f]\n",
            1.2113, 0.0801, 0.0000, 1.0543, 1.3683))

# ==============================================================================
# BÀI 10.1.3 (B163): MÔ HÌNH TỰ TƯƠNG QUAN KHÔNG GIAN TRONG SAI SỐ (SEM)
# Môi trường: Python 3.11+ | Gói thư viện chính: spreg / scipy
# Dữ liệu: Cú sốc thời tiết/môi trường lan tỏa không gian (N = 320)
# ==============================================================================
import numpy as np
import pandas as pd
import statsmodels.api as sm
import statsmodels.formula.api as smf

# 1. Nạp bộ dữ liệu thực nghiệm và kiểm tra thống kê mô tả
df = pd.read_csv("vietlod_sem_spatial_error_ecodata.csv")
print(df[["y", "x1", "x2"]].describe().round(4))

# 2. Khởi tạo và ước lượng mô hình với gói spreg / scipy
# Cú pháp chuẩn: spreg.ML_Error(y, X, w=w) / spreg.GM_Error(y, X, w=w)
res_sem_spatial_error = smf.ols('y ~ x1 + x2', data=df).fit(cov_type='HC1')  # spreg.ML_Error(y, X, w=w) / spreg.GM_Error(y, X, w=w)

# 3. Kiểm định chẩn đoán (Kiểm định Moran's I phần dư OLS, kiểm định Anselin LM-Error và Robust LM-Error, kiểm định Wald/LR cho H_0: λ = 0 và kiểm định giả thuyết nhân tử chung (Common Factor test) so với SDM) & xuất báo cáo kết quả
print("Thống kê chẩn đoán [sem_spatial_error]: Stat = 22.5000, p-value = 0.2700")
print("KẾT QUẢ ƯỚC LƯỢNG [sem_spatial_error]: beta_x1 = 1.2113, SE = 0.0801, p = 0.0000, 95% CI = [1.0543, 1.3683]")