Mekansal-Zamansal Mekansal Regresyon
Space-Time Spatial Regression Model · Ayrıca şöyle bilinir: spatio-temporal regression, spatial panel regression, space-time regression, ST spatial regression
Mekansal-Zamansal Mekansal Regresyon, jeo-referanslı birimlerin birden çok zaman periyodunda gözlemlendiği panel ayarlarında klasik mekansal regresyonu genişletir. Bir panel regresyon çerçevesine mekansal ağırlıklar matrisini yerleştirerek, kesitsel birimler arasındaki mekansal bağımlılığı ve zamansal dinamikleri aynı anda kontrol eder, bu da mekansal-zamansal verilerde yansız ve tutarlı tahminler 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
Panel verileriniz mekansal bağımlılık sergilediğinde - örneğin, coğrafi olarak kümelenen hastalık oranları, konut fiyatları veya kirlilik seviyeleri - ve politika analizi için yansız katsayı tahminlerine ihtiyaç duyduğunuzda Mekansal-Zamansal Mekansal Regresyonu kullanın. N (kesitsel birimler) en az orta düzeyde (≥ 30) ve T en az birkaç periyot olduğunda uygundur. Mekansal bağımlılığın olmadığı durumlarda (OLS artıklarındaki Moran'ın I ile doğrulayın), mekansal yapının bilinmediği veya keyfi olduğu durumlarda, N'nin çok küçük olduğu (< 15) veya sonucun kategorik olduğu durumlarda kullanmayın - bu durumlarda mekansal uzantılara sahip logit veya sayım modelleri daha uygundur.
Güçlü yönler & sınırlılıklar
- Mekansal yayılmaları ve zaman dinamiklerini ortaklaşa kontrol eder, coğrafi bulaşmadan kaynaklanan eksik değişken yanlılığını önler.
- Esnek model ailesi - mekansal gecikme, mekansal hata ve Mekansal Durbin varyantları farklı yayılma mekanizmalarını ele alır.
- Mekansal çarpıtanların doğrudan yorumlanması: bir kovaryetin toplam etkisi, hem doğrudan hem de dolaylı (komşu) etkileri içerir.
- Sabit ve rastgele etkiler gibi standart panel teknikleriyle uyumludur, gözlemlenmeyen birim heterojenliği kontrolüne izin verir.
- Yaygın olarak kullanılan yazılımlarda (R: spdep, spatialreg; Python: PySAL; Stata: spxtregress) mevcut sağlam ML ve GMM tahmincileri.
- Doğru şekilde belirtilmiş bir mekansal ağırlıklar matrisi W gerektirir; sonuçlar komşuluk kuralı veya mesafe eşiği seçimine duyarlı olabilir.
- Tahmin karmaşıklığı N ile artar: tam ML, her iterasyonda bir N×N matrisini tersine çevirmeyi veya yaklaştırmayı gerektirir, bu da büyük gridler için yavaş olabilir.
- Mekansal çarpıtanların yorumlanması (doğrudan vs. dolaylı etkiler) önemsizdir ve uygulamalı çalışmalarda sıklıkla göz ardı edilir.
- Zamanla değişen ağları yanlış temsil edebilecek tek, zaman-sabit bir ağırlık matrisi varsayar.
- Kısa panellerde (küçük T) mekansal parametreler için varyans tahmini hassas olmayabilir.
SSS
Mekansal gecikme ve mekansal hata modeli arasında nasıl seçim yapmalıyım?
Panelde (sabit etkilerle) OLS çalıştırın ve artıklar üzerindeki mekansal gecikme ve mekansal hata bağımlılığı için Lagrange Çarpanı (LM) testlerini uygulayın. LM-gecikme daha anlamlıysa, mekansal gecikme modelini tercih edin; LM-hata baskınsa, mekansal hata modelini kullanın. Her ikisi de anlamlı olduğunda, Sağlam LM varyantları ayırt etmeye yardımcı olur.
Doğrudan ve dolaylı etkiler arasındaki fark nedir?
Bir mekansal gecikme modelinde, kovaryet X_i'deki bir değişiklik doğrudan y_i'yi etkiler (doğrudan etki) ve ayrıca mekansal çarpıtan aracılığıyla komşu y_j'yi etkiler (dolaylı etki). Toplam etki her ikisinin toplamıdır. Sadece ham β katsayısını raporlamak, doğrudan etkiden daha büyük olabilen dolaylı yayılmaları kaçırır.
Zaman sabit etkilerini mekansal bağımlılıkla birlikte kullanabilir miyim?
Evet. Zaman sabit etkileri ortak zamansal şokları (örneğin, küresel bir durgunluk) emer ve mekansal ağırlık yapısıyla birlikte rutin olarak dahil edilir. Birim sabit etkileri zaman-sabit gözlemlenmeyen heterojenliği emer. Her ikisi de birleştirilebilir, ancak mekansal parametre hala ML veya GMM aracılığıyla tahmin edilmelidir.
Sonuçlar mekansal ağırlıklar matrisi W'nun seçimine ne kadar duyarlıdır?
Sonuçlar W spesifikasyonuna göre değişebilir. En iyi uygulama, modelin iki veya üç alternatif W tanımı (örneğin, kraliçe komşuluğu, mesafe bantları, k-en yakın komşular) altında yeniden tahmin edilmesi ve ana anlamsal sonuçların geçerli olup olmadığının bildirilmesidir. Büyük değişiklikler, mekansal yapının zayıf bir şekilde tanımlandığını gösterir.
Mekansal-zamansal mekansal regresyonu hangi yazılım uygular?
R'de, spatialreg ve plm paketleri birlikte mekansal panel modellerini destekler; splm paketi birleşik bir arayüz sağlar. Python'un PySAL'ı mekansal ekonometri için spreg'i içerir. Stata 15+ mekansal panel verileri için spxtregress komutunu sunar.
Kaynaklar
- LeSage, J. P., & Pace, R. K. (2009). Introduction to Spatial Econometrics. CRC Press / Taylor & Francis. ISBN: 978-1420064247
- Anselin, L., Le Gallo, J., & Jayet, H. (2008). Spatial Panel Econometrics. In L. Matyas & P. Sevestre (Eds.), The Econometrics of Panel Data (pp. 625-660). Springer. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Space-Time Spatial Regression Model. ScholarGate. https://scholargate.app/tr/spatial-analysis/space-time-spatial-regression
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
- Panel Mekansal RegresyonMekânsal analiz↔ karşılaştır
- Uzay-Zaman KrigingMekânsal 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