空间计量模型选择与城市空气质量指数的空间设定模型_第1页
空间计量模型选择与城市空气质量指数的空间设定模型_第2页
空间计量模型选择与城市空气质量指数的空间设定模型_第3页
空间计量模型选择与城市空气质量指数的空间设定模型_第4页
空间计量模型选择与城市空气质量指数的空间设定模型_第5页
已阅读5页,还剩5页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

空间计量模型选择与城市空气质量指数的空间设定模型

一、空间计量模型的应用问题从paelink和kysen开始。进入2000年以来,应龙根然而,就目前的研究范式来看,大多数国内的研究在空间计量模型的选择和应用上,既有创新之处,例如将空间计量模型应用于各种学科领域,然而,在空间计量模型选择上又有局限性,对空间计量模型的认识稍显片面。为了更好地推广和普及空间计量经济学在国内学术界的应用,同时也为了疏解空间计量经济学在应用上的一些认识不足。本文主要讨论3个问题:第一,空间计量模型之间的相互联系;第二,拉格朗日乘子检验的无效性和局限性;第三,空间计量经济学模型选择的新思维。二、模型之间的联系和模型选择(一)空间交互效应传统模型在介绍空间计量模型之前,首先要引入空间效应的概念。空间效应包括空间依赖性和空间异质性,其中,空间依赖性是本文关注的重点。空间依赖性的理论基础是地理学第一定律。具体来说,空间距离相近的事物具有相似性。这种相似性可以通过空间交互作用得以加强。在社会经济现象中,空间范围内相近的空间单元的某种属性值具有相似性被称为空间自相关现象,可以用来描述空间依赖性。空间依赖性体现出了空间交互作用,换言之,空间单元之间存在相互影响的现象。在介绍计量模型中如何考虑空间交互效应之前,首先引入传统的、不包含空间因素的OLS回归模型,模型为y=Xβ+ε。其中,y表示因变量;X表示自变量,β为待估计的参数;ε表示随机干扰项。可以看出,OLS模型包含3个最基本的组成部分:因变量、自变量和干扰项。相应地,空间交互效应在模型中也分别表现在这3个组成部分。一般来说,空间计量模型与传统计量模型最大的区别在于纳入了空间结构。其中,空间权重矩阵W就是描述空间单元在空间中的组织形式。因此,这3个组成部分的3种空间交互效应可以在模型中分别表示为:Wy、WX、Wε。其中,Wy表示邻近空间单元因变量对本空间单元因变量的影响,被称之为内生空间交互效应;WX表示邻近空间单元的外生变量对本空间单元因变量的影响,被称之为外生空间交互效应;Wε表示的是干扰项中的空间依赖性。这三种空间交互效应包含在计量模型中,形成不同的空间计量模型设定形式。之所以考虑这3种空间交互效应是因为OLS回归后的残差可能存在空间依赖性。在传统的OLS模型中,残差需要满足高斯—马尔科夫定理。但是,却忽略了残差之间可能存在的空间依赖性,如果没有剔除空间依赖性,那么有可能导致有偏且不一致的估计量。本文主要考虑3种空间权重矩阵:第一,基于地理邻近性的Queen空间权重矩阵(以后简称为Queen)。如果2个空间单元在边界上有共同的点或者边,则认为这两个空间单元相邻;第二,基于距离的空间权重矩阵,计算空间单元两两之间的距离,然后设置门槛值,在门槛值之内的空间单元被认为有空间交互作用(以后简称为Distance);第三,K个最近邻居的空间权重矩阵,其中K表示邻居的个数,本文K分别选取3到8(以后简称为K3-K8)。前两种为对称矩阵,后一种为非对称矩阵。(二)空间误差模型一般来说,目前学术界常见的空间计量模型有七种。首先介绍包含因变量空间交互效应的空间计量模型———空间滞后模型(SpatialLagModelorSpatialAutoregressiveModel,SLMorSAR)。由于模型中考虑了因变量的空间滞后项,因而可以很好地描述空间单元因变量的空间交互作用。另一种常见的空间计量模型为空间误差模型(SpatialErrorModel,SEM),与空间滞后模型不同的是,空间误差模型是由2个公式组成的联立方程,特点是包含了随机干扰项的空间滞后项。尽管空间滞后模型包含了因变量空间滞后项可以剔除干扰项中的空间依赖性,但是空间滞后模型的残差项依然可能存在空间依赖性。因此,一个更为一般的空间计量模型可以构造出来(Elhorst,2014)同样,自变量也可能存在空间交互效应。因此,WX项也可以考虑在模型中,从而形成了自变量空间滞后模型(SpatialLagofXModel,SLX)。由于自变量的空间交互效应在实证中普遍存在,那么对于空间滞后模型来说,在考虑了因变量的空间交互效应时,也应该考虑自变量的空间交互作用。这是因为自变量空间滞后项如果在统计上不显著,那么完全不会影响到模型的估计。相反,如果忽略了自变量的空间滞后项,那么可能有遗漏变量的风险(Elhorst,2014;LeSageandPace)同样道理,空间误差模型也可以考虑自变量的空间交互效应,从而产生了另一种空间计量模型:空间杜宾误差模型(SpatialDurbinErrorModel,SDEM)。顺着这个思路,如果在一个模型中同时考虑3种空间交互效应的话,即包含Wy、WX、Wε,那么就形成了一个最为一般的空间计量模型:一般嵌套空间模型(GeneralNestingSpatialModel,GNS)(Elhorst,2014)(三)空间杜宾模型上述介绍了OLS模型和7种空间计量模型,这8种模型之间存在着相互联系(Elhorst,2014;VegaandElhorst,2015)图1最左边的为一般嵌套空间模型,通过对一般嵌套空间模型施加约束条件就可以得到右边的各个空间计量模型。其中,空间杜宾模型可以简化为空间滞后模型或空间误差模型。由于这8个模型之间是相互联系的,那么,这就产生了一个问题。在实证分析中,究竟是从最左边的一般嵌套空间模型开始分析,还是从最右边的OLS模型开始分析?如果研究的思路是从左到右,则被称为从一般到特殊方法;反之,如果研究的思路是从右到左,则被称之为从特殊到一般方法。在实证分析研究中,两种方法都是可行的。Florax等(2003)(四)空间测量模型的决策过程1.残差是否存在空间依赖空间计量模型除了在模型中可以定量地描述空间交互效应之外,更重要的作用是剔除随机干扰项中的空间依赖性。在经典的OLS高斯-马尔可夫定理中,模型回归估计后的残差被认为在空间上是呈现随机分布的,并没有考虑到空间依赖性因素。在对模型进行OLS估计时,如果残差中存在空间依赖性,那么会导致不一致且无效的估计量。因此,检验残差是否存在空间依赖性是空间计量模型分析的重要步骤(欧变玲等,2010)空间滞后模型和空间误差模型由于分别考虑到了因变量的空间滞后项和干扰项的空间滞后项,所以在大多数情况下可以剔除残差中的空间依赖性。为了甄别残差中是否存在空间依赖性,Moran(1950)2.空间杜宾模型的简化作为空间杜宾模型的倡导者,LeSage和Pace(2009)除此之外,选用空间杜宾模型还有一个好处。如果数据生成过程是空间误差模型,那么空间杜宾模型也不会产生错误的标准误和t统计量。这是因为空间误差模型是空间杜宾模型的一个特例。从图1也可以看出,空间杜宾模型在一些条件下可以简化为空间滞后模型或者空间误差模型。换言之,空间滞后模型和空间误差模型是空间杜宾模型的2个特例。之所以没有选择一般空间模型和一般嵌套空间模型作为分析的起点,是因为这2种模型在实证分析中极为罕见(Elhorst,2010)(五)中国环境问题的由来由于不存在普适意义的空间权重矩阵,并且不同的空间权重矩阵也会导致不同的空间计量模型结果(孙洋,2009)中国环境问题日益凸显,尤其是空气污染问题最为突出。近些年,中国饱受长时间、大范围雾霾问题的困扰。并且,经常发生在一些经济发达地区,如京津冀、长三角以及珠三角城市群。空气污染问题引发了公众强烈的反应。为了监测和治理日益恶化的空气质量问题,中国环境保护部发布了《环境空气质量标准》作为新的环境监测标准(中国生态环境部,2012)由于数据可获得性受限,本文参考已有的实证研究结果,选取了地区人均生产总值(GDP)、外商直接投资(FDI)、第三产业(Third)、人口密度(Density)、细颗粒物(PM三、确认分析与讨论(一)相关空间和讨论1.moran’si指数的验证由于空气污染在空间范围内具有明显的扩散效应,因此,城市间的AQI具备明显的空间集聚现象。与大多数经济社会问题不同的是,空气污染的集聚扩散是一个纯自然的空间交互过程,因而可以判断出城市AQI具备明显的空间自相关现象。在建立空间计量模型之前,首先可以利用Moran’sI指数来进行验证。本文选择Queen空间权重矩阵对150个城市的AQI年平均值进行Moran’sI检验,检验结果发现Moran’sI值为0.639,表现为显著的正向空间自相关。本文还采用了不同的空间权重矩阵进行Moran’sI检验,结果显示均在1%显著性水平下拒绝了“空间随机分布”的原假设,表明了150个城市的AQI存在明显的空间交互效应。2.自相关的空间单元在很多实证分析中,对因变量进行Moran’sI检验是十分常见的。需要说明的是,空间单元上的某种属性在空间上表现出空间自相关现象,有可能是空间交互作用的结果,也有可能是由于统计误差造成的(Anselin,1988)由于空气污染存在扩散现象,故此城市间AQI表现出强烈的正向空间自相关。但是,对于大多数社会经济问题来说,这种空间交互作用解释起来通常是模糊的,这是因为有时候在理论上很难解释为什么相邻的空间单元的某种属性值会表现出相似性现象。对于自然地理学来说,地理学第一定律在既定的空间维度和时间尺度上是适用的,但是对于社会经济学来说,人类行为充斥着不确定性和偶然性,并不能用地理学第一定律来进行描述(Barnes,2004)在社会经济空间计量实证分析研究中,空间分析应用已经非常普遍(赵永和王岩松,2011)(二)检验结果表明,lm1.空间滞后模型和空间误差模型分析完中国150个城市AQI的空间自相关分析之后,对其影响因素进行分析。城市之间的AQI存在很明显的空间溢出效应,无论是统计检验结果还是实际情况,在分析AQI影响因素时应该纳入空间因素,即考虑AQI的空间滞后项。也就是说,空间滞后模型应当是合适的空间计量模型形式。然而,为了稳健性以及检验判断,本文采用OLS进行回归,然后采用LM检验用于校验上述判断是否正确。OLS回归结果如表1所示。表1第2列的OLS模型(1)包含了全部6个变量,由回归结果可知,LnGDP、LnGDP2和LnCar变量高度不显著。LnCar变量不显著的原因跟数据选取有关。剔除了LnCar变量后,回归结果见OLS模型(2)。LnG-DP和LnGDP2变量依然不显著,说明不存在倒U曲线。进一步地剔除LnGDP2变量,回归结果见第4列。由OLS模型(3)估计结果可知,所有变量均显著。从拟合优度ROLS模型假设150的城市的AQI观察值在空间上是独立的,这显然违反了地理学第一定律。各个城市之间的AQI并非随机分布。尽管模型应该指向空间滞后模型,但是本文依然给出了5种不同空间权重矩阵情况下的LM检验结果,如表2所示。表2左边为OLS模型(3)的LM检验结果,右边为OLS模型(4)的LM检验结果。对于OLS模型(3)来说,当选择Queen空间权重矩阵时,LM-lag和RobustLM-lag统计量均远远没有通过10%显著性水平的检验,但是LM-error和RobustLM-error统计量高度显著,说明在Queen空间权重矩阵情况下,LM检验结果指向了空间误差模型,而非空间滞后模型。这与选用Queen空间权重矩阵计算出的Moran’sI结果完全相悖。由此可见,即使因变量的Moran’sI表现为正的空间自相关,纳入模型的因变量空间滞后项Wy也可能在统计上不显著。当然,这与空间权重矩阵的选取以及自变量密切相关。但是,基于距离和K(3-8)个最近邻居的空间权重矩阵的LM检验结果显示4个统计量均高度显著,表明空间滞后模型和空间误差模型均可。这显示,LM检验因选择不同的空间权重矩阵而得出了不同的结论。同时,也说明了不能完全依照LM检验结果来选择模型。LM统计量是根据OLS模型回归后的残差进行构造,通过这4个统计量的构造方式也可以得知,LM检验与所选的空间权重矩阵密切相关。另外,LM检验结果也与自变量密切相关,自变量会影响到回归后的残差,这对LM检验结果同样会产生影响。如果在模型中添加一个高度显著的自变量,很显然会极大地影响到回归后的残差,从而影响LM统计量。对于本例来说,PM2.空间权重选取的影响空间权重矩阵是近似地模拟地理邻近性、空间结构和空间关系的一种数量方法,也是空间数据分析和空间计量经济学最重要的核心元素。但遗憾的是,至今仍没有经济学理论、区域科学理论和计量经济学统计检验的方法来判断空间权重矩阵的设定问题(JiangandFolmer,2014)如何提出一个具有普适意义选取空间权重矩阵的方法,一直以来都是很多空间计量学者努力的方向(KelejianandRobinson,1995;Griffith,1995;TiefelsdorfandGriffith,1999;GetisandAldstadt,2010)在实证分析中,有一些学者通常的做法是选取多个不同种类的空间权重矩阵来判断空间计量经济学模型是否对空间权重矩阵敏感,该方法可以看作是敏感性检验在空间计量经济学模型中的一种应用。这种做法的好处是提供了一个至少看起来似乎可以解释的方法。当然,这是在模型对不同种类的空间权重矩阵确实不敏感的情况下可以使用。但是,如果不同的空间权重矩阵导致不同的回归的结果时,尤其是估计的参数因为不同的空间权重矩阵而得出相反的结果时,问题就变得异常复杂。这是由于因为无法判断哪个空间权重矩阵的优劣,进而导致无法判断选择何种空间权重矩阵下的空间计量经济学模型。并且,更为重要的是,在通常情况下解释这种差异有时候是极为困难的。例如,很难解释基于地理邻近性的空间权重矩阵优于基于距离的空间权重矩阵。因此,针对每一个具体的实证案例应该进行具体问题具体分体。空间权重的选取可以严重地影响到LM检验结果,同样也会影响到空间计量模型的估计结果。换言之,LM统计量虽然在某种程度上可以判定空间权重矩阵的适合性,但是产生错误的概率也是较大的(孙洋,2009)另一方面,由于空间权重矩阵和自变量均可以影响LM检验结果和空间计量模型的估计结果,因此在遇到空间计量模型设定问题时,可以尝试更换新的空间权重矩阵以及添加新的解释变量(Anselin,1988)(三)空间测量模型的选择1.空间滞后模型的添加国内很多空间计量文献均基于LM检验结果判断空间计量模型,然而LM检验确实存在局限性,并且,LM检验主要针对空间滞后模型和空间误差模型的选择有效(陶长琪和杨海文,2014)然而,对于本例来说,如果选择Queen空间权重矩阵会发现空间滞后模型的空间自回归系数并不显著,换言之,应该选择空间误差模型。出现这个与事实相悖现象的原因是模型设定的问题。解决这个问题的方法有2个,Anselin(1988)图2显示分析的起点模型为空间滞后模型,如果选择更换空间权重矩阵,那么增加自变量或者使用原来的自变量都可以得到合理的新空间滞后模型;如果选择更换空间权重矩阵,那么通过增加自变量也可以得到合理的新空间滞后模型。对于某些研究来说,当增加解释变量极为困难时,可以选择是否考虑在模型中添加原有自变量的空间滞后项WX。如果选择不添加自变量空间滞后项,那么可以通过添加误差项空间滞后项Wε来剔除干扰项中的空间依赖性。另一方面,也可以通过添加自变量空间滞后项剔除干扰项中的一部分空间依赖性,在很多情况下,这种方式都是有效的。并且,添加自变量空间滞后项也有很多好处,例如,解决了模型遗漏偏误问题。此外,还可以明确地从干扰项中提出一些可能存在的外生影响因素的空间交互效应。如果这些外生变量的空间滞后项在统计上显著,且具备理论基础时,那么可以认为外生影响因素的空间交互效应对因变量产生了影响。但是,当选择空间杜宾模型仍然无法消除干扰项中的空间依赖性时,可以继续考虑添加误差项空间滞后项Wε来剔除干扰项中的空间依赖性,从而考虑一般嵌套空间模型。尽管一般嵌套空间模型包含了所有的空间交互效应,但会使得估计出这些空间交互效应变得复杂。更大的问题在于模型的解释方面,这是由于很难区分一般嵌套空间模型的内生的空间交互效应和外生的空间交互效应(Elhorst,2010)2.空间自回归系数的估计结果接下来给出各个空间计量模型回归的估计结果,如表3所示。表3第2列首先给出了一阶自回归模型(First-orderAutoregressiveModel,FAR)的估计结果。一阶自回归模型只包含因变量的空间滞后项。由估计结果可知,空间自回归系数ρ高度显著,说明AQI存在明显的空间交互作用。但是对其残差进行Moran’sI检验发现,仍然存在很显著的空间自相关现象(Moran’sI=0.134)。第3列展示了空间滞后模型的估计结果,与LM检验结果一致,空间自回归系数ρ不显著。并且,残差的Moran’sI指数高达0.558,存在强烈的空间自相关现象。说明如果选择Queen空间权重矩阵,即便是采用空间滞后模型,也不会消除残差中的空间依赖性。这个结果与LM检验是完全一致的。由此可见,空间权重矩阵不仅会影响到LM检验的结果,也会影响到空间计量模型的估计结果(FloraxandRey,1995)第4列中一般空间模型的估计结果显示空间自回归系数ρ不显著,但是空间自相关系数λ显著,说明干扰项中存在空间依赖性。由于空间自回归系数ρ不显著,因此一般空间模型在Queen空间权重矩阵设定下可以退化为空间误差模型。然而,一般空间模型残差的Moran’sI得分仅仅为-0.074,显示出残差完全不存在空间依赖性,而是在空间上呈现随机分布。说明通过添加干扰项空间滞后项可以完全剔除模型残差中的空间依赖性。换言之,如果选择空间误差模型也可以达到这个目的。这也与之前的LM检验结果是一致的,即如果选择Queen空间权重矩阵,那么应该选择空间误差模型。通过添加自变量空间滞后项也同样可以剔除干扰项中的部分空间依赖性,由第5列空间杜宾模型的估计结果可知,空间自回归系数ρ十分显著。模型残差的Moran’sI指数仍然比较显著,但是,得分仅仅为0.122,相比较空间滞后模型残差的Moran’sI(0.558)来说有了明显下降,换言之,通过添加自变量空间滞后项可以从干扰项中剔除了大部分的空间依赖性。进一步地来说,如果模型设定合适,有可能通过这种方式完全剔除干扰项中的空间依赖性。由于干扰项中仍然可能存在空间依赖性,故此可以得到一般嵌套空间模型,如第6列所示。空间自回归系数ρ显著,但却为负数,与基本理论不符,尽管空间自相关系数λ高度显著,也不能称为一个合理的空间计量模型。此外,模型残差的Moran’sI指数也不显著。由图2可知,也可以通过更换空间权重来实现新的空间滞后模型。本文选择了K个最近邻居的空间权重矩阵。之所以没有选择基于距离的空间权重矩阵,是因为门槛值的设定具有强烈的主观性,并且没有推广的意义。然而,K个最近邻居的空间权重矩阵可以反映出最近几个空间单元对本单元的影响,而且在解释方面非常直观简洁。从K3、K5和K7空间权重矩阵的空间滞后模型估计结果来看,随着邻居数量的增多,空间自回归系数ρ逐渐增大。这也说明了,当选择邻居数过多时,有可能造成空间交互效应的夸大。但是,这只是针对本例而言,这是因为城市AQI具有强烈的空间自相关现象。对于其他案例而言,并非适用。通过Queen和K个最近邻居空间权重的空间滞后模型可以看出,不同的空间权重矩阵也会导致不同的空间计量模型结果。(四)mess模型估计结果上述给出了空间滞后模型在实证分析中如何调整模型,实际上,上述各种模型仍然也没有脱离空间滞后模型的基本框架。因此,在估计方法上采用极大似然估计方法对空间计量模型进行估计。然而,在进行极大似然估计时,涉及到一个含参数的高阶行列式,并且其解析解很难表达,特别是在样本量庞大的时候,因此,通常需要一些特定的技术方法来进行处理(BarryandPace,1999)针对上述问题,LeSage和Pace(2007)式(1)中,S表示为一个n×n阶的正定矩阵,S矩阵与之前的空间权重矩阵W的含义是一致的。如果令S=(I式(2)中,α表示一个实数参数,W为空间权重矩阵。由公式(2)可以看出,S考虑的是高阶邻近关系影响的指数衰减效应,而并非传统上的几何方式的衰减效应。表4给出了MESS模型的估计结果。表4第2列显示出了Queen空间权重矩阵MESS模型的估计结果,α的估计系数为-0.001,通过公式ρ=1-e然而,在这种模型设定下,只是考虑到了空间单元的邻近性原则,并没有考虑到指数衰减效应,换言之,没有考虑到邻近空间单元之外的空间单元的影响。虽然可以通过构造高阶邻近性空间权重矩阵来解决这种问题的,但是仍然存在一个较强的假设:在行标准化的设定下,二阶邻近空间单元对本空间单元影响的强度只是与邻居的个数m有关,而与距离无关。以上海为例来说,上海的一阶邻近城市有苏州和嘉兴,苏州的一阶邻近城市有无锡和湖州,嘉兴的一阶邻近城市有湖州和杭州,剔除重复冗余的空间单元湖州后,那么上海的二阶邻居城市为无锡、湖州和杭州。在行标准化的设置下,无锡、湖州和杭州对上海影响的权重分别为1/3,苏州和嘉兴对上海的影响权重分别为1/2,由此可见,如果高阶邻居数量较少的情况下,那么分配的权重就会变高,从而夸大了高阶邻居城市的影响。本文基于指数衰减效应估计了AQI影响因素的MESS模型,估计结果如表4所示。基于指数衰减效应的MESS模型涉及到2个重要参数的设定,一个是衰减参数φ,另一个是最大的邻居数m。通过多次模拟发现,MESS模型估计结果对邻居数选择的大小并不敏感。例如,选择3个邻居和选择8个邻居,模型之间的差异极小,然而MESS模型对衰减参数φ的选择十分敏感。表4分别给出了φ=0.3,m=8、φ=0.4,m=7和φ=0.5,m=8三种典型设定的情况,可以发现,当φ=0.5,m=8时,模型的拟合优度最高,对数似然值最大,空间自回归系数也最大。这是因为,当衰减参数φ设置的越小,影响作用随着邻近阶数的增加而迅速衰减,例如,当φ=0.3时,第4阶邻近的影响力只有0.0081,而当φ=0.5时,第4阶邻近的影响力为0.0625,第8阶邻近的影响力为0.0039。通过多次模拟比较发现,当φ=0.5,m=8时模型最佳,并且从MESS模型估计的结果来看(α=-0.152,折算后的ρ=0.141),与基于3个最近邻居空间权重矩阵空间滞后模型的估计结果很接近(ρ=0.143)(表3第7列)。MESS模型不仅在矩阵求解方面相对于空间滞后模型来说更为便捷,而且在理论解释方面也明显优于基于邻近性空间权重矩阵的空间滞后模型,这是因为不仅考虑到了地理邻近性,还考虑到了衰减效应。四、空间计量模型在空间计量模型

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论