Küresel Uzamsal Hata Modeli (SEM)
Global Spatial Error Model · Ayrıca şöyle bilinir: SEM, spatial error model, spatial error regression, global SEM
Küresel Uzamsal Hata Modeli (SEM), tek, küresel olarak sabit bir uzamsal parametre kullanarak uzamsal olarak otokorele edilmiş hata terimlerini hesaba katan bir uzamsal regresyon tekniğidir. Kalıntılardaki gerçek tahminci etkilerini uzamsal parazit bağımlılığından ayırır ve tüm gözlemler boyunca uzamsal hata korelasyonu mevcut olduğunda yansız ve verimli katsayı tahminleri sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
OLS kalıntıları üzerinde bir Lagrange Çarpanı testi (LM-Hata) anlamlı olduğunda ve LM-Gecikme testi olmadığında Küresel SEM'i kullanın; bu, uzamsal bağımlılığın bağımlı değişkende değil, hatada yoğunlaştığını gösterir. Özellikle uzamsal olarak otokorele edilmiş göz ardı edilen değişkenlerin bağımlılığı yönlendirdiği kesitsel coğrafi verilere uygundur. Teorinin bir konumdaki sonucun komşularındaki sonucu gerçekten etkilediğini ima ettiği durumlarda (bunun yerine Uzamsal Gecikme Modeli kullanın) SEM kullanmayın. Uzamsal heterojenliğin birincil endişe olduğu durumlarda (bunun yerine Coğrafi Ağırlıklı Regresyon kullanın) veya lambda'nın bölgeler arasında değiştiği durumlarda (yerel uzamsal regresyon varyantlarını düşünün) kaçının.
Güçlü yönler & sınırlılıklar
- OLS kalıntılarını kirleten uzamsal olarak otokorele edilmiş göz ardı edilen değişkenler olduğunda standart hataları ve çıkarımı düzeltir.
- Uzamsal hata bağımlılığı altında katsayı tahminleri, aksi takdirde OLS standart hatalarını şişirecek şekilde yansız ve verimli kalır.
- Tek bir küresel lambda parametresi kullanır, bu da modeli tutumlu ve yorumlanması kolay hale getirir.
- Maksimum olabilirlik tahmini, model karşılaştırması için iyi kalibre edilmiş test istatistikleri ve AIC/BIC sağlar.
- Yerleşik tanılama iş akışlarıyla açık kaynaklı araçlarda (PySAL, R spdep, GeoDa) yaygın olarak uygulanmıştır.
- Uzamsal hata otokorelasyon parametresi lambda'nın tüm bölgeler boyunca sabit olduğunu varsayar; heterojen uzamsal süreçler yerel modeller gerektirir.
- Sonuçlar, tahminden önce belirlenmesi gereken uzamsal ağırlık matrisi W'nin seçimine ve belirtimine duyarlıdır.
- Maksimum olabilirlik tahmini, (I - lambda*W)'nin log-belirleyicisinin tekrarlanan hesaplanması nedeniyle çok büyük veri kümeleri için yavaş olabilir.
- Bağımlı değişkendeki öz substantive uzamsal yayılmaları yakalayamaz; SEM yanlış olduğunda SEM olarak yanlış belirtilmesi çıkarımı bozar.
- Regresyon katsayılarındaki uzamsal heteroscedasticity veya durağan olmamayı ele almaz.
SSS
Küresel SEM, Uzamsal Gecikme Modeli'nden nasıl farklıdır?
Uzamsal Gecikme Modeli (SLM), uzamsal bağımlılığı sonuç değişkeninin kendisine yerleştirir — bir konumdaki sonuç, komşulardaki sonuçlardan doğrudan etkilenir. SEM, uzamsal bağımlılığı yalnızca hata terimine yerleştirir, ölçülmemiş uzamsal olarak otokorele edilmiş etkileri, komşulardaki y'nin y'ye neden olduğunu iddia etmeden yakalar. OLS kalıntıları üzerindeki Lagrange Çarpanı tanılamaları hangisinin daha uygun olduğunu yönlendirir.
Model neden 'Küresel' olarak adlandırılır?
Ön ek 'küresel', uzamsal hata parametresi lambda'nın tüm gözlemler üzerinde tahmin edilen tek bir sabit olduğunu gösterir. Bu, parametrenin konumlara göre değişmesine izin verilen yerel uzamsal regresyon yaklaşımlarından (örneğin, coğrafi olarak ağırlıklandırılmış varyantlar) farklıdır. Uzamsal hata yapısının alt bölgeye göre önemli ölçüde farklılaştığına inanıyorsanız, yerel bir model daha uygun olabilir.
SEM, komşu sonuçların benim sonucum üzerindeki etkisini tahmin eder mi?
Hayır. SEM, uzamsal olarak otokorele edilmiş hataları modeller, bağımlı değişkendeki yayılmaları değil. Komşu birimlerdeki sonucun odak birimin sonucuna nasıl geri beslendiğini tahmin etmek istiyorsanız, bunun yerine Uzamsal Gecikme Modeli'ni kullanın.
Uzamsal ağırlık matrisini nasıl seçerim?
Komşuluk matrisleri (kraliçe veya kale), idari alanlar gibi poligon verileri için standarttır. Mesafe tabanlı matrisler (k-en yakın komşular veya ters mesafe), nokta verilerine uygundur. Seçim, uzamsal bağımlılığın teorik mekanizmasını yansıtmalıdır. Lambda'nın bir oran olarak yorumlanabilir olması için W'yi satır-standartlaştırın. Farklı W belirtimleri üzerinden duyarlılık analizi iyi bir uygulamadır.
SEM'i panel verileriyle kullanabilir miyim?
Temel SEM, kesitsel veriler için tasarlanmıştır. Tekrarlanan ölçümlerle uzamsal veriler için, R paketleri splm gibi paketlerde bulunan sabit veya rastgele bireysel etkileri ve uzamsal hata otokorelasyonunu birlikte ele alan uzamsal panel modellerini kullanın.
Kaynaklar
- Anselin, L. (1988). Spatial Econometrics: Methods and Models. Kluwer Academic Publishers. ISBN: 978-9024737322
- Anselin, L., & Bera, A. K. (1998). Spatial dependence in linear regression models with an introduction to spatial econometrics. In A. Ullah & D. E. A. Giles (Eds.), Handbook of Applied Economic Statistics (pp. 237-289). Marcel Dekker. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Global Spatial Error Model. ScholarGate. https://scholargate.app/tr/spatial-analysis/global-spatial-error-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Coğrafi Ağırlıklı Regresyon (GWR)Mekânsal analiz↔ karşılaştır
- Küresel Mekansal Durbin Modeli (SDM)Mekânsal analiz↔ karşılaştır
- Moran's IMekânsal analiz↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır