动态空间面板模型教程（一文读懂动态面板空间spregdpd操作应用）
1
动态空间面板模型命令spregdpd
动态空间面板模型命令为spregdpd，语法格式为：
spregdpd depvar indepvars [weight] , nc(#) wmfile(weight_file) [ model(sar|sdm) run(xtabond|xtdhp|xtdpd|xtdpdsys) be fe re lmspac lmhet lmnorm diag tests stand inv inv2 mfx(lin, log) noconstant predict(new_var) resid(new_var) inst(vars) diff(vars) endog(vars) pre(vars) dgmmiv(varlist) coll zero tolog twostep level(#) vce(vcetype) ] 选项含义为：
其中
depvar为被解释变量
indepvars为解释变量
nc(#)横截面单元数，时间序列的观测必须在每个横截面上保持平衡
wmfile(weight_file) 打开横截面权重矩阵文件。 spregdpd将自动转换空间截面权重矩阵到空间面板权重矩阵。
空间权矩阵文件必须为:
1- 截面单位尺寸，而不是面板尺寸
2 -n*n方阵
3-对称矩阵(可选)
空间面板权值矩阵有两种类型:标准化权值矩阵和二元0/1权值矩阵。
使用标准化面板权重矩阵，(每行总和为1)，默认为二进制空间面板权重矩阵，每个元素为0或1
inv使用逆标准化权矩阵(1/W)
inv2使用平方反比标准化的权重矩阵(1/W^2)
be：Between Effects 运行(xthdp)
fe固定效应(fe)运行(xthdp)
随机效应(re)运行(xthdp)
zero将缺失的值转换为观察值
coll保持共线变量;默认是删除共线变量。
noconstant 常数从方程中排除常数项
tests 显示所有lmh, lmn, lmsp, diag检验结果
twostep ：两步估计运行(xtdpd)
mfx(lin, log)函数形式:线性模型(lin)，或log - log模型(log)，
tolog转换depvar和indepvars
predict(new_variable)：Predicted values variable
resid(new_variable)：Residuals values variable
dgmmiv(varlist)：差分方程GMM工具变量run(xtdpd)
inst(varlist) ：附加工具变量run(xtabond) 被解释变量滞后期为1
diff(varlist)：差分外生变量run(xtabond)
endog(varlist) ：内生变量 run(xtabond, xtdpdsys)
pre(varlist) ：前定变量run(xtabond, xtdpdsys)
2
模型简介
Spatial Lag Model: Y = BX + rWy + e ; e = lWe+u
Spatial Error Model: Y = BX + e; e = lWe+u
Spatial Durbin Model: Y = BX + aWX* + rWy + e ; e = lWe+u
General Spatial Model: Y = BX + rWy + LW1y + e ; e = lW1e+u
General Spatial Model: Y = BX + rWy + LW1y + e ; e = lW1e+u
一般空间模型处理两类空间依赖，即空间滞后依赖和空间误差依赖。
空间误差模型用于处理由于忽略变量或通过误差项测量误差而产生的空间依赖性
空间自回归模型(SAR)又称空间滞后模型
当高值与高邻域值相关或低值与低邻域值相关时，空间自相关为正
当高值与低邻近值相关时，存在负空间自相关，反之亦然。
正空间自相关的存在会导致信息的丢失，这与较大的不确定性、较低的精度和较大的标准误差有关。
空间自相关系数(相对于时间上的对应系数)不受-1/+1的约束。它们的范围取决于权重矩阵的选择。
当与某一地点有关的值依赖于其他地点的值时，即存在空间依赖性。
当数据集中存在与位置相关的结构变化时，空间异质性会导致区域间的误差方差不恒定(异方差)，特别是当存在与尺度相关的测量误差时。
空间回归模型是统计模型，说明空间效应的存在。空间自相关(或更普遍的空间依赖性)和/或空间异质性。
如果空间滞后的LM检验大于空间误差的LM检验，空间滞后的稳健LM检验显著而空间误差的稳健LM检验不显著，则合适的模型为空间滞后模型。反之，如果空间误差的LM检验大于空间滞后的LM检验，空间误差的稳健LM检验显著，而空间滞后的稳健LM检验不显著，则采用适当的规范
只有在标准版本(LM- lag或LM- error)显著时，才会考虑空间LM测试的健壮版本
一般空间模型用于处理两种类型的空间依赖，即空间滞后依赖和空间误差依赖
空间误差模型是用来处理由于忽略变量或测量误差通过误差项引起的空间依赖性
空间自回归模型(SAR)又称空间滞后模型
3
面板模型诊断标准
面板模型选择诊断标准
-1、 Log似然函数Log Likelihood Function LLF
-2、Akaike信息准则(1974)AICAkaike Information Criterion (1974) AIC
-3、 Akaike Information Criterion (1973) Log AIC
-4、Schwarz Criterion (1978) SC
-5、Schwarz Criterion (1978) Log SC
-6、Amemiya Prediction Criterion (1969) FPE
-7、 Hannan-Quinn Criterion (1979) HQ
-8、Rice Criterion (1984) Rice
-9、Shibata Criterion (1981) Shibata
-10、Craven-Wahba Generalized Cross Validation (1979) GCV
4
注意事项
1、您可以使用:spweight、spweightcs、spweightxt来创建空间权重矩阵。
2、请记住，您的空间权重矩阵必须是:1截面尺寸2-方阵3-对称矩阵
3、您可以使用spregdpd对话框。
4、xtset自动包含在spregdpd模型中。
5
操作应用
案例1
1、 (xtdhp) Han-Philips (2010) Linear Dynamic Panel Data:}
use spregdpd.dtaspregdpd y x1 x2 , nc(7) wmfile(SPWxt) model(sar) run(xtdhp) mfx(lin) tes结果为：
案例2
2、 (xtdhp) Han-Philips (2010) Linear Dynamic Panel Data:}
不显示所有检验结果，运行随机效应，命令代码为
use spregdpd.dtaspregdpd y x1 x2 , nc(7) wmfile(SPWxt) model(sar) run(xtdhp) mfx(lin) re2、结果为：
案例3
3、 (xtdhp) Han-Philips (2010) Linear Dynamic Panel Data:}
spregdpd y x1 x2 , nc(7) wmfile(SPWxt) model(sar) run(xtdhp) mfx(lin) test fespregdpd y x1 x2 , nc(7) wmfile(SPWxt) model(sar) run(xtdhp) mfx(lin) test be
结果为：
案例4
4、(xtdpd) Arellano-Bond (1991) Linear Dynamic Panel Data:
spregdpd y x1 x2 , nc(7) wmfile(SPWxt) model(sar) run(xtdpd) dgmmiv(x1 x2) mfx(lin) testspregdpd y x1 x2 , nc(7) wmfile(SPWxt) model(sar) run(xtdhp) mfx(lin) test be
结果为：
案例5
5、 (xtdpdsys) Arellano-Bover/Blundell-Bond (1995, 1998) System Linear Dynamic Panel Data:
spregdpd y x1 x2 , nc(7) wmfile(SPWxt) model(sar) run(xtdpd) dgmmiv(x1 x2) mfx(lin) testspregdpd y x1 x2 , nc(7) wmfile(SPWxt) model(sar) run(xtdhp) mfx(lin) test be结果为：
案例6
6、(xtabond) Arellano-Bond Linear Dynamic Panel Data:
spregdpd y x1 x2 , nc(7) wmfile(SPWxt) model(sar) run(xtabond) inst(x1 x2) mfx(lin) testspregdpd y x1 x2 , nc(7) wmfile(SPWxt) model(sar) run(xtabond) inst(x1 x2) pre(x1 x2)
结果为：