Bayes Uzamsal Durbin Modeli
Bayesian Spatial Durbin Model · Ayrıca şöyle bilinir: Bayesian SDM, Bayesian spatial lag-X model, Bayesian SDM with spatially lagged covariates, BSDM
Bayes Uzamsal Durbin Modeli (BSDM), Markov Zinciri Monte Carlo örneklemesi ile Bayes çıkarımını kullanarak, eş zamanlı olarak uzamsal olarak gecikmeli bir sonuç değişkeni ve uzamsal olarak gecikmeli kovaryetleri içeren bir uzamsal regresyonu tahmin eder. Hem içsel hem de dışsal uzamsal yayılmaları yakalar ve tüm parametreler için tam sonsal dağılımları sağlayarak klasik maksimum olabilirlik tahmininin sunduğunun ötesinde belirsizliği ölçer.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Coğrafi işaretli sürekli sonuç verileriniz olduğunda, hem içsel (akran sonucu) hem de dışsal (komşu kovaryet) uzamsal yayılmalar beklediğinizde ve yayılma etkileri için dürüst belirsizlik ölçümü gerektiğinde Bayes Uzamsal Durbin Modelini kullanın. Özellikle maksimum olabilirlik çıkarımının kırılgan olduğu küçük veya orta ölçekli örneklemlerde, önsel uzman bilgisini (örneğin, bir yayılmanın beklenen işareti) dahil ederken veya Bayes faktörleri aracılığıyla modelleri karşılaştırırken değerlidir. Politika kitleleri için güven aralıklarının raporlanması önemli olduğunda veya yakınsama tanıları ML tahminlerinde istikrarsızlık ortaya çıkardığında, klasik SDM'ye tercih edin. Güvenilir bir uzamsal ağırlık matrisi oluşturulamadığında, hesaplama kaynakları çok sınırlı olduğunda (büyük n için MCMC yavaştır) veya teorik model dışsal yayılmaları güçlü bir şekilde dışladığında (bu durumda Bayes Uzamsal Gecikme Modeli yerine kullanılır) kullanmayın.
Güçlü yönler & sınırlılıklar
- Hem içsel sonuç yayılmalarını (rho) hem de dışsal kovaryet yayılmalarını (theta) tek bir tutarlı modelde yakalar.
- Tam sonsal dağılımlar nokta tahminlerinin yerini alır ve küçük örneklemlerde bile geçerli olan güven aralıkları sağlar.
- Bayes model karşılaştırması (marjinal olasılıklar, Bayes faktörleri), SDM'yi iç içe geçmiş alternatiflere (SAR, SEM, SLX) karşı test etmek için ilkeli bir yol sunar.
- Önsel bilgi — bir uzamsal çarpanın beklenen işareti gibi — resmi olarak dahil edilebilir.
- Kısmi türev yaklaşımı, yayılma büyüklükleri için dürüst belirsizlik ölçümü ile sonsal dağılımlı doğrudan, dolaylı ve toplam etkiler üretir.
- MCMC örneklemesi, (I - rho*W) log-determinantının tekrarlanan değerlendirilmesi nedeniyle büyük veri kümeleri (n > birkaç bin) için hesaplama açısından pahalıdır.
- Sonuçlar uzamsal ağırlık matrisi W'nin seçimine bağlıdır; birden fazla W spesifikasyonu üzerinden duyarlılık analizi gereklidir ancak çaba ekler.
- İki ayrı uzamsal kanalın (rho ve theta) yorumlanması, daha basit SAR veya SEM modellerinden daha karmaşıktır ve SDM spesifikasyonunu haklı çıkarmak için dikkatli ekonomik teori gerektirir.
- Sonsal çıkarım, veri seyrek veya uzamsal olarak bilgilendirici olmadığında rho için önsel seçimlere duyarlıdır.
SSS
Bayes SDM, klasik (ML) SDM'den nasıl farklıdır?
Her ikisi de aynı model yapısını tahmin eder. Bayes versiyonu tam sonsal dağılımdan örneklemek için MCMC kullanır, küçük örneklemlerde geçerli güven aralıkları sağlar ve Bayes faktörleri aracılığıyla resmi model karşılaştırmasına olanak tanır. Klasik ML versiyonu daha hızlı nokta tahminleri üretir ancak n küçük olduğunda veya veri yüksek derecede koliner olduğunda yanıltıcı olabilen asimptotik standart hatalara dayanır.
Neden doğrudan ve dolaylı etkiler, beta ve theta katsayılarını okumak yerine ayrı ayrı hesaplanır?
Uzamsal geri besleme döngüleri nedeniyle, bir birime gelen bir şok tüm uzamsal sistem boyunca yayılır. LeSage ve Pace (2009), k. öngörücüsünü değiştirmenin toplam etkisinin, birimler boyunca ortalaması alınan (I - rho*W)^{-1}*(I*beta_k + W*theta_k) matrisinin köşegen (doğrudan) ve köşegen dışı (dolaylı) öğeleri tarafından yakalandığını göstermektedir. Sadece beta_k veya theta_k'yı okumak bu geri besleme çarpanlarını atlar ve yanlış marjinal etkiler verir.
Uzamsal ağırlık matrisi W'yi nasıl seçerim?
W, uzamsal bağımlılığın işlediği teorik mekanizmayı yansıtmalıdır. Yaygın seçimler komşuluk matrisleri (kraliçe veya kale komşuluğu), bir mesafe eşiği ile ters mesafe matrisleri veya k-en yakın komşu matrisleridir. Seçim teori ile gerekçelendirilmelidir; iki veya üç olası W matrisi üzerinden duyarlılık analizi şiddetle tavsiye edilir.
Bayes SDM panel verilerle kullanılabilir mi?
Evet. Model, sabit veya rastgele etkilerle bir uzamsal panele (zaman boyutu eklenmiş) genişletilir. LeSage (2014), heterojen panel versiyonları dahil olmak üzere uzamsal panel SDM'lerin Bayes tahminini tartışmaktadır. MCMC uygulaması daha karmaşık ve yavaş hale gelir, ancak kavramsal yapı aynıdır.
Bayes Uzamsal Gecikme Modeli'ni Bayes SDM'ye ne zaman tercih etmeliyim?
Teori, komşuların kovaryetlerinin (sadece komşuların sonuçlarının değil) sizin biriminizin sonucunu etkileyeceğine dair bir neden vermediğinde daha basit SAR (Uzamsal Gecikme) modelini tercih edin. Dışsal yayılma kanalı (theta) teorik olarak gerekçelendirilmişse, SDM daha uygundur. İki spesifikasyonu karşılaştıran Bayes faktörleri bu seçimi ampirik olarak bilgilendirebilir.
Kaynaklar
- LeSage, J. P., & Pace, R. K. (2009). Introduction to Spatial Econometrics. CRC Press / Taylor & Francis. ISBN: 978-1420064247
- LeSage, J. P. (2014). Spatial Econometric Panel Data Model Comparison Using Heterogeneous Panels with Local Spatial Spillovers. Empirical Economics, 46(1), 193–211. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Spatial Durbin Model. ScholarGate. https://scholargate.app/tr/spatial-analysis/bayesian-spatial-durbin-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes Uzamsal Hata ModeliMekânsal analiz↔ karşılaştır
- Bayes Uzamsal Gecikme ModeliMekânsal analiz↔ karşılaştır
- Coğrafi Ağırlıklı Regresyon (GWR)Mekânsal analiz↔ karşılaştır
- Mekansal Durbin Modeli (SDM)Mekânsal analiz↔ karşılaştır
- Mekansal Hata Modeli (SEM)Mekânsal analiz↔ karşılaştır
- Mekansal Gecikme Modeli (SAR / Mekansal Otokorelatif)Mekânsal analiz↔ karşılaştır