zaman serisi verileri için uzamsal otokorelasyon

Bir dizi çokgen (~ 200 düzensiz şekilli, sürekli çokgenler) için yıllık tür sayısının 20 yıllık veri kümesine sahibim. Her çokgen için eğilimleri (yıllık sayım değişikliği) ve çokgen verilerinin yönetim sınırlarına dayalı toplamalarını çıkarmak için regresyon analizini kullanıyorum.

Toplanan veriler için regresyon analizini etkileyeceği kesin olan verilerde uzamsal otokorelasyon olduğundan eminim. Benim sorum - zaman serisi verileri için SAC testini nasıl çalıştırabilirim? Her yıl regresyonumdan artıkların SAC'sine bakmam gerekir mi (küresel Moran I)? Yoksa tüm yıllar boyunca bir test yapabilir miyim?

Evet SAC olduğunu test ettikten sonra, bunu ele almak kolay oldu mu? İstatistiklerimin geçmişi çok az ve uzay-zamansal modelleme hakkında okuduğum her şey çok karmaşık geliyor. R'nin mesafe ağırlıklı bir otomatik değişken fonksiyonu olduğunu biliyorum - bu hiç de kolay değil mi?

Bu sorun için SAC'nin nasıl değerlendirileceği / ekleneceği konusunda oldukça kafam karıştı ve herhangi bir öneri, bağlantı veya referansı çok takdir ediyorum. Şimdiden teşekkürler!

Bu makaleye göre OLS, uzamsal otokorelasyon varlığında tutarlıdır, ancak standart hatalar yanlıştır ve ayarlanması gerekir. Solomon Hsiang bunu yapmak için stata ve matlab kodu sağlar. Ne yazık ki bunun için herhangi bir R kodu bilmiyorum.

Mekânsal istatistiklerde, mekânsal süreçleri açıkça modelleyen bu tür bir probleme kesinlikle başka yaklaşımlar vardır. Bu sadece standart hataları şişirir.

Teorik ekonometristler ne yazık ki şaşırtmaktan zevk alıyor gibi görünüyor. Bağlantılı makaleyi okumak gerçekten zor. Temelde ne istersen regresyon çalıştırın ve daha sonra standart hataları daha sonra yani Hsiang kodunu kullanarak gider gidin. Tahmincinizin varyansını tahmin etmeye çalışana kadar boşluk gelmez. Sezgisel olarak, tüm fark birbirine yakınsa, tahmininizin sadece gözlemlenmemiş bazı uzaysal şokların bir kalıntısı olmadığından daha az eminsiniz.

Üzerinde uzamsal işlemin çalıştığını düşündüğünüz bir çekirdek bant genişliği belirtmeniz gerektiğini unutmayın.

Bu cevap temel olarak burada verdiğim benzer bir cevabın bir kopyala / yapıştır rehash'ı

Sorun otomatik olarak ilişkili hatalarsa, ise, ACD'nin dediği gibi OLS tutarlıdır, ancak verimsizdir. Zaman serisi ekonometrisindeki seri korelasyon gibidir.$y = X\beta + u, u=\rho Wu + \epsilon$

Ancak uzamsal otomatik bağımlılık varsa (kafa karıştırıcı olarak otokorelasyon da denir), , o zaman OLS tutarsızdır. Eksik değişken önyargı ile aynı şey. Her iki sorununuz varsa, Spatial Durbin Modelini kullanmanız gerekir, .$y = \rho W y+ X\beta + \epsilon$$y = \rho W y + X\beta + WX \lambda + \epsilon$

Spdep R paket, mekansal ağırlıklar matrisleri hesaplamak mekansal daralmayı tahmin ve başka şeyler yapmak sayısız fonksiyonları içerir. lagsarlmİşlevlerle ilgili iyi bir deneyime sahibim , ancak paket belgelerinde sacsarlmaradığınız şeyin daha fazlası gibi görünen bir işlev olduğunu görün.

Sorununuzun zamansal yönüne gelince, bağımlılığa yaptığınız varsayımlar, model spesifikasyonunuzu belirlemede uzun bir yol kat edecektir. Alanlarınız birbirleriyle doğrudan etkileşime giriyor mu? Bunun örnekleri ticaret veya konut pazarlarıdır; bir ülkeden yapılan ihracat büyük ölçüde başka bir ülkedeki ithalata bağımlıdır ve yakın zamanda satın alınan konutların satış fiyatı yakınlardaki konutların satış fiyatına çok önemli bir katkıdır. Bu durumda, bu bağımlılığı sağlamak için ağırlık matrisi belirtmek mantıklıdır . zamanında satın alınan bir evin zamanında evlerle "komşu" olmasına izin verin , ancak zamanında evlerle değil .$W$$t$$t-1$$t +1$

Terimleriniz birbiriyle ilişkiliyse, ancak tarımsal verim gibi mantıksal olarak birbirine bağlı değilse, muhtemelen tek bir zaman duyarsız matris , ancak spesifikasyonuna yıl mankenlerini dahil etmek daha mantıklı olacaktır .$W$$X$