Ekonometria Przestrzenna

Podobne dokumenty
Ekonometria Przestrzenna

Ekonometria Przestrzenna

Modele wielorównaniowe. Estymacja parametrów

Ekonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Wst p do ekonometrii II

Ekonometria Przestrzenna

Ekonometria Przestrzenna

Ekonometria. wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. wiczenia 5 i 6 Modelowanie szeregów czasowych. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Modele wielorównaniowe. Problem identykacji

Wykªad 1+2: Klasyczny model regresji liniowej. Podstawy R

Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6

Ekonometria - wykªad 8

Ekonometria Bayesowska

Ekonometria. wiczenia 7 Modele nieliniowe. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria Przestrzenna

Efekty przestrzenne w konwergencji polskich podregionów

Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13

Egzamin z ekonometrii - wersja ogólna

Ekonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. wiczenia 8 Modele zmiennej jako±ciowej. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Metody statystyczne w biologii - Wykªad 8. Uniwersytet Przyrodniczy we Wrocªawiu Katedra Genetyki i Ogólnej Hodowli Zwierz t

Rozdziaª 5. Modele wektorowej autoregresji

Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów

Rozdziaª 4. Jednowymiarowe modele szeregów czasowych

Podstawy statystycznego modelowania danych - Wykªad 7

Ekonometria Przestrzenna

Mikroekonometria 3. Mikołaj Czajkowski Wiktor Budziński

Testowanie hipotez statystycznych

Zagadnienia na wej±ciówki z matematyki Technologia Chemiczna

Testowanie hipotez statystycznych

Natalia Neherbecka. 11 czerwca 2010

MODELOWANIE PRZESTRZENNE CHARAKTERYSTYK RYNKU PRACY

ANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15

Wykªad 6: Model logitowy

Ekonometria Bayesowska

Ekonometria Przestrzenna

Biostatystyka, # 5 /Weterynaria I/

EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach

Metody probablistyczne i statystyka stosowana

Metoda najmniejszych kwadratów

Ekonometria Szeregów Czasowych

Rozwini cia asymptotyczne dla mocy testów przybli»onych

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA

Modele zapisane w przestrzeni stanów

Makroekonomia Zaawansowana

1 Ró»niczka drugiego rz du i ekstrema

Rozdziaª 6. Strukturalne modele VAR

Ekonometria. Ćwiczenia nr 3. Jakub Mućk. Katedra Ekonomii Ilościowej

Uogólniona Metoda Momentów

Wykªad 7. Ekstrema lokalne funkcji dwóch zmiennych.

Czasowy wymiar danych

STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH

Heteroscedastyczność. Zjawisko heteroscedastyczności Uogólniona Metoda Najmniejszych Kwadratów Stosowalna Metoda Najmniejszych Kwadratów

Modele wielorównaniowe (forma strukturalna)

Ekonometria. Wprowadzenie do modelowania ekonometrycznego Estymator KMNK. Jakub Mućk. Katedra Ekonomii Ilościowej

Statystyczna analiza danych w programie STATISTICA. Dariusz Gozdowski. Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW

5. (8 punktów) EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach

In»ynierskie zastosowania statystyki wiczenia

Metody Ekonometryczne

1 Modele ADL - interpretacja współczynników

Autokorelacja i heteroskedastyczność

Metody numeryczne i statystyka dla in»ynierów

Elementarna statystyka Dwie próby: porównanie dwóch proporcji (Two-sample problem: comparing two proportions)

ARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15

I Kolokwium z Ekonometrii. Nazwisko i imi...grupa...

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 8

Ekonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej

Ekonometria. Własności składnika losowego. Jakub Mućk. Katedra Ekonomii Ilościowej

Ekonometria. Weryfikacja liniowego modelu jednorównaniowego. Jakub Mućk. Katedra Ekonomii Ilościowej

Stanisław Cichocki. Natalia Nehrebecka. Wykład 12

Przyczynowość Kointegracja. Kointegracja. Kointegracja

Egzamin z ekonometrii - wersja IiE, MSEMAT

STATYSTYCZNE MODELOWANIE DANYCH BIOLOGICZNYCH

Ekonometria - wykªad 1

Mikroekonometria 4. Mikołaj Czajkowski Wiktor Budziński

1 Bª dy i arytmetyka zmiennopozycyjna

Wektory w przestrzeni

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16

Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1

Estymacja modeli ARDL przy u»yciu Staty

Podstawy statystycznego modelowania danych Analiza prze»ycia

Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.

Ekonometria egzamin wersja Informatyka i Ekonometria 26/06/08

Własności statystyczne regresji liniowej. Wykład 4

Ukªady równa«liniowych

2 Liczby rzeczywiste - cz. 2

ARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15

Stanisław Cichocki. Natalia Nehrebecka

Stacjonarne szeregi czasowe

Pakiety statystyczne - Wykªad 8

KLASYCZNE ZDANIA KATEGORYCZNE. ogólne - orzekaj co± o wszystkich desygnatach podmiotu szczegóªowe - orzekaj co± o niektórych desygnatach podmiotu

Mikroekonometria 2. Mikołaj Czajkowski Wiktor Budziński

Stanisław Cichocki Natalia Nehrebecka. Wykład 7

Funkcje wielu zmiennych

Pakiety statystyczne Wykªad 14

Wst p do sieci neuronowych 2010/2011 wykªad 7 Algorytm propagacji wstecznej cd.

Transkrypt:

Ekonometria Przestrzenna Wykªad 5: Proste modele regresji przestrzennej. Dane GIS: analiza w regionach (5) Ekonometria Przestrzenna 1 / 47

Plan wykªadu 1 Model liniowy i SAR (Spatial Lag) Model liniowy SAR (Spatial Lag, SLM) 2 Model SEM (Spatial Error) Model SEM z globaln zale»no±ci skªadników losowych Model SEM z lokaln zale»no±ci skªadników losowych 3 Model SLX 4 Š czenie danych punktowych GIS ze statystykami regionalnymi Przykªad: lokalizacje sklepów Biedronka Zadanie domowe (5) Ekonometria Przestrzenna 2 / 47

Plan prezentacji 1 Model liniowy i SAR (Spatial Lag) 2 Model SEM (Spatial Error) 3 Model SLX 4 Š czenie danych punktowych GIS ze statystykami regionalnymi (5) Ekonometria Przestrzenna 3 / 47

Model liniowy Model regresji liniowej specykacja Dobrze znany klasyczny model regresji liniowej: y = Xβ + ε Jego parametry mo»na szacowa w sposób nieobci»ony, zgodny i efektywny za pomoc KMNK. Wªa±ciwy, gdy powi zania przestrzenne y daj si caªkowicie wyja±ni przy pomocy powi za«przestrzennych wewn trz zbioru regresorów X (przestrzenne skupienia przyczyn ang. spatial clustering). (5) Ekonometria Przestrzenna 4 / 47

Model liniowy Model regresji liniowej specykacja Dobrze znany klasyczny model regresji liniowej: y = Xβ + ε Jego parametry mo»na szacowa w sposób nieobci»ony, zgodny i efektywny za pomoc KMNK. Wªa±ciwy, gdy powi zania przestrzenne y daj si caªkowicie wyja±ni przy pomocy powi za«przestrzennych wewn trz zbioru regresorów X (przestrzenne skupienia przyczyn ang. spatial clustering). (5) Ekonometria Przestrzenna 4 / 47

Model liniowy Model regresji liniowej specykacja Dobrze znany klasyczny model regresji liniowej: y = Xβ + ε Jego parametry mo»na szacowa w sposób nieobci»ony, zgodny i efektywny za pomoc KMNK. Wªa±ciwy, gdy powi zania przestrzenne y daj si caªkowicie wyja±ni przy pomocy powi za«przestrzennych wewn trz zbioru regresorów X (przestrzenne skupienia przyczyn ang. spatial clustering). (5) Ekonometria Przestrzenna 4 / 47

Model liniowy Schemat oddziaªywa«w modelu liniowym (5) Ekonometria Przestrzenna 5 / 47

SAR (Spatial Lag, SLM) Schemat oddziaªywa«w modelu SAR (5) Ekonometria Przestrzenna 6 / 47

SAR (Spatial Lag, SLM) Model SAR relacje z innymi modelami (5) Ekonometria Przestrzenna 7 / 47

SAR (Spatial Lag, SLM) Model SAR relacje z innymi modelami (5) Ekonometria Przestrzenna 8 / 47

SAR (Spatial Lag, SLM) Model SAR specykacja Autoregresja przestrzenna z dodatkowymi regresorami. y = ρwy + Xβ + ε Gdyby w tym modelu nie byªo zmiennych obja±niaj cych X, byªby on to»samy z modelem czystej autoregresji. W tym modelu nie zakªadamy ju» przestrzennych skupie«przyczyn, ale raczej przestrzenne interakcje skutków (ang. spatial interactions, spatial global spillovers, spatial spillovers in outcomes). Problem w estymacji KMNK: endogeniczno± (podobnie jak w czystej autoregresji). (5) Ekonometria Przestrzenna 9 / 47

SAR (Spatial Lag, SLM) Model SAR specykacja Autoregresja przestrzenna z dodatkowymi regresorami. y = ρwy + Xβ + ε Gdyby w tym modelu nie byªo zmiennych obja±niaj cych X, byªby on to»samy z modelem czystej autoregresji. W tym modelu nie zakªadamy ju» przestrzennych skupie«przyczyn, ale raczej przestrzenne interakcje skutków (ang. spatial interactions, spatial global spillovers, spatial spillovers in outcomes). Problem w estymacji KMNK: endogeniczno± (podobnie jak w czystej autoregresji). (5) Ekonometria Przestrzenna 9 / 47

SAR (Spatial Lag, SLM) Model SAR specykacja Autoregresja przestrzenna z dodatkowymi regresorami. y = ρwy + Xβ + ε Gdyby w tym modelu nie byªo zmiennych obja±niaj cych X, byªby on to»samy z modelem czystej autoregresji. W tym modelu nie zakªadamy ju» przestrzennych skupie«przyczyn, ale raczej przestrzenne interakcje skutków (ang. spatial interactions, spatial global spillovers, spatial spillovers in outcomes). Problem w estymacji KMNK: endogeniczno± (podobnie jak w czystej autoregresji). (5) Ekonometria Przestrzenna 9 / 47

SAR (Spatial Lag, SLM) Model SAR specykacja Autoregresja przestrzenna z dodatkowymi regresorami. y = ρwy + Xβ + ε Gdyby w tym modelu nie byªo zmiennych obja±niaj cych X, byªby on to»samy z modelem czystej autoregresji. W tym modelu nie zakªadamy ju» przestrzennych skupie«przyczyn, ale raczej przestrzenne interakcje skutków (ang. spatial interactions, spatial global spillovers, spatial spillovers in outcomes). Problem w estymacji KMNK: endogeniczno± (podobnie jak w czystej autoregresji). (5) Ekonometria Przestrzenna 9 / 47

SAR (Spatial Lag, SLM) Konsekwencje pomini cia struktury przestrzennej SAR (1) Prawdziwy proces generuj cy dane: y = ρwy + Xβ + ε Szacowany model liniowy z pomini ciem Wy (metoda KMNK): y = Xβ KMNK + ε Zgodnie z reguªami ekonometrii, pomini cie zmiennej skutkuje obci»eniem oszacowania β, które zbiega do iloczynu: (prawdziwego) parametru przy pomini tej zmiennej wspóªczynnika kierunkowego regresji pomini tej zmiennej wzgl dem uwzgl dnionych zmiennych W naszym przypadku: plimˆβ KMNK = β + ρ Cov(Wy,X) Var(X) (5) Ekonometria Przestrzenna 10 / 47

SAR (Spatial Lag, SLM) Konsekwencje pomini cia struktury przestrzennej SAR (1) Prawdziwy proces generuj cy dane: y = ρwy + Xβ + ε Szacowany model liniowy z pomini ciem Wy (metoda KMNK): y = Xβ KMNK + ε Zgodnie z reguªami ekonometrii, pomini cie zmiennej skutkuje obci»eniem oszacowania β, które zbiega do iloczynu: (prawdziwego) parametru przy pomini tej zmiennej wspóªczynnika kierunkowego regresji pomini tej zmiennej wzgl dem uwzgl dnionych zmiennych W naszym przypadku: plimˆβ KMNK = β + ρ Cov(Wy,X) Var(X) (5) Ekonometria Przestrzenna 10 / 47

SAR (Spatial Lag, SLM) Konsekwencje pomini cia struktury przestrzennej SAR (1) Prawdziwy proces generuj cy dane: y = ρwy + Xβ + ε Szacowany model liniowy z pomini ciem Wy (metoda KMNK): y = Xβ KMNK + ε Zgodnie z reguªami ekonometrii, pomini cie zmiennej skutkuje obci»eniem oszacowania β, które zbiega do iloczynu: (prawdziwego) parametru przy pomini tej zmiennej wspóªczynnika kierunkowego regresji pomini tej zmiennej wzgl dem uwzgl dnionych zmiennych W naszym przypadku: plimˆβ KMNK = β + ρ Cov(Wy,X) Var(X) (5) Ekonometria Przestrzenna 10 / 47

SAR (Spatial Lag, SLM) Konsekwencje pomini cia struktury przestrzennej SAR (2) Czy Cov (Wy, X) ma szans wynosi 0? Skoro procesem generuj cym dane jest SAR, to... y = (I ρw) 1 Xβ + (I ρw) 1 ε y = Xβ + ρwxβ + ρ 2 W 2 Xβ +... + ε + ρwε + ρ 2 W 2 ε +... Wy = WXβ + ρw 2 Xβ + ρ 2 W 3 Xβ +... + Wε + ρw 2 ε + ρ 2 W 3 ε +... Zatem (pomijaj c skªadniki zwi zane z ε, o których wiadomo,»e nie koreluj z X): plimˆβ KMNK β = ρ Cov(WXβ,X) + ρ Cov(ρW2 Xβ,X) + ρ Cov(ρ2 W 3 Xβ,X) +... = Var(X) Var(X) Var(X) ρ [ ( = Var(X) Cov (WX, X) + ρ Cov W 2 X, X ) + ρ 2 Cov ( W 3 X, X ) +... ] β Je»eli nawet X nie wykazuje przestrzennej autokorelacji i Cov (WX, X) = 0, to dalsze skªadniki nie mog si zerowa. W 2 i dalsze pot gi W nie s ju» bowiem macierzami o zerowej diagonali. Interpretacja: W 2 to macierz poª cze«z s siadami s siadów. S siadem Twojego s siada jeste± m.in. TY! (A sam ze sob zawsze korelujesz.) (5) Ekonometria Przestrzenna 11 / 47

SAR (Spatial Lag, SLM) Konsekwencje pomini cia struktury przestrzennej SAR (2) Czy Cov (Wy, X) ma szans wynosi 0? Skoro procesem generuj cym dane jest SAR, to... y = (I ρw) 1 Xβ + (I ρw) 1 ε y = Xβ + ρwxβ + ρ 2 W 2 Xβ +... + ε + ρwε + ρ 2 W 2 ε +... Wy = WXβ + ρw 2 Xβ + ρ 2 W 3 Xβ +... + Wε + ρw 2 ε + ρ 2 W 3 ε +... Zatem (pomijaj c skªadniki zwi zane z ε, o których wiadomo,»e nie koreluj z X): plimˆβ KMNK β = ρ Cov(WXβ,X) + ρ Cov(ρW2 Xβ,X) + ρ Cov(ρ2 W 3 Xβ,X) +... = Var(X) Var(X) Var(X) ρ [ ( = Var(X) Cov (WX, X) + ρ Cov W 2 X, X ) + ρ 2 Cov ( W 3 X, X ) +... ] β Je»eli nawet X nie wykazuje przestrzennej autokorelacji i Cov (WX, X) = 0, to dalsze skªadniki nie mog si zerowa. W 2 i dalsze pot gi W nie s ju» bowiem macierzami o zerowej diagonali. Interpretacja: W 2 to macierz poª cze«z s siadami s siadów. S siadem Twojego s siada jeste± m.in. TY! (A sam ze sob zawsze korelujesz.) (5) Ekonometria Przestrzenna 11 / 47

SAR (Spatial Lag, SLM) Konsekwencje pomini cia struktury przestrzennej SAR (2) Czy Cov (Wy, X) ma szans wynosi 0? Skoro procesem generuj cym dane jest SAR, to... y = (I ρw) 1 Xβ + (I ρw) 1 ε y = Xβ + ρwxβ + ρ 2 W 2 Xβ +... + ε + ρwε + ρ 2 W 2 ε +... Wy = WXβ + ρw 2 Xβ + ρ 2 W 3 Xβ +... + Wε + ρw 2 ε + ρ 2 W 3 ε +... Zatem (pomijaj c skªadniki zwi zane z ε, o których wiadomo,»e nie koreluj z X): plimˆβ KMNK β = ρ Cov(WXβ,X) + ρ Cov(ρW2 Xβ,X) + ρ Cov(ρ2 W 3 Xβ,X) +... = Var(X) Var(X) Var(X) ρ [ ( = Var(X) Cov (WX, X) + ρ Cov W 2 X, X ) + ρ 2 Cov ( W 3 X, X ) +... ] β Je»eli nawet X nie wykazuje przestrzennej autokorelacji i Cov (WX, X) = 0, to dalsze skªadniki nie mog si zerowa. W 2 i dalsze pot gi W nie s ju» bowiem macierzami o zerowej diagonali. Interpretacja: W 2 to macierz poª cze«z s siadami s siadów. S siadem Twojego s siada jeste± m.in. TY! (A sam ze sob zawsze korelujesz.) (5) Ekonometria Przestrzenna 11 / 47

SAR (Spatial Lag, SLM) Przestrzenna MNK (1) Skoro pomini cie przestrzennego opó¹nienia obci»a estymator KMNK, to nale»y je uwzgl dni. Mo»na to zrobi do± ªatwo: skoro W jest zadane, to mo»na skonstruowa zmienn opó¹nienia przestrzennego Wy i przeprowadzi estymacj modelu SAR y = ρwy + Xβ + ε za pomoc KMNK (ten sposób nazywamy przestrzenn KMNK): y = [ Wy X ] [ ρ β ] + ε Wiemy z wªasno±ci KMNK,»e ([ ]) E = ˆρˆβ [ ] ρ ( [ ] T [ ] ) 1 ( [ ] ) T + Wy X Wy X E Wy X ε β (5) Ekonometria Przestrzenna 12 / 47

SAR (Spatial Lag, SLM) Przestrzenna MNK (1) Skoro pomini cie przestrzennego opó¹nienia obci»a estymator KMNK, to nale»y je uwzgl dni. Mo»na to zrobi do± ªatwo: skoro W jest zadane, to mo»na skonstruowa zmienn opó¹nienia przestrzennego Wy i przeprowadzi estymacj modelu SAR y = ρwy + Xβ + ε za pomoc KMNK (ten sposób nazywamy przestrzenn KMNK): y = [ Wy X ] [ ρ β ] + ε Wiemy z wªasno±ci KMNK,»e ([ ]) E = ˆρˆβ [ ] ρ ( [ ] T [ ] ) 1 ( [ ] ) T + Wy X Wy X E Wy X ε β (5) Ekonometria Przestrzenna 12 / 47

SAR (Spatial Lag, SLM) Przestrzenna MNK (1) Skoro pomini cie przestrzennego opó¹nienia obci»a estymator KMNK, to nale»y je uwzgl dni. Mo»na to zrobi do± ªatwo: skoro W jest zadane, to mo»na skonstruowa zmienn opó¹nienia przestrzennego Wy i przeprowadzi estymacj modelu SAR y = ρwy + Xβ + ε za pomoc KMNK (ten sposób nazywamy przestrzenn KMNK): y = [ Wy X ] [ ρ β ] + ε Wiemy z wªasno±ci KMNK,»e ([ ]) E = ˆρˆβ [ ] ρ ( [ ] T [ ] ) 1 ( [ ] ) T + Wy X Wy X E Wy X ε β (5) Ekonometria Przestrzenna 12 / 47

SAR (Spatial Lag, SLM) Przestrzenna MNK (2) Zaªo»enie modelu regresji ( liniowej mówi o niezale»no±ci reszt od [ ] ) T regresorów, czyli E Wy X ε = 0, czym dowodzimy nieobci»ono±ci estymatora KMNK w takim modelu. Mamy wprawdzie E ( X T ε ) = 0, ale: [ ] { [W E (Wy) T ε = E (I ρw) 1 Xβ + W (I ρw) 1 ε ] } T ε = { [W = E (I ρw) 1 Xβ ] T [ ε + W (I ρw) 1 ε ] } T ε = = E {ε [ T W (I ρw) 1] } T ε 0 Nasz model nie jest jednak modelem regresji liniowej, gdy» obserwacje zale» od siebie nawzajem (y i zale»y od s siada y j i na odwrót). Sytuacja podobna do ukªadów równa«ª cznie wspóªzale»nych. (5) Ekonometria Przestrzenna 13 / 47

SAR (Spatial Lag, SLM) Przestrzenna MNK (2) Zaªo»enie modelu regresji ( liniowej mówi o niezale»no±ci reszt od [ ] ) T regresorów, czyli E Wy X ε = 0, czym dowodzimy nieobci»ono±ci estymatora KMNK w takim modelu. Mamy wprawdzie E ( X T ε ) = 0, ale: [ ] { [W E (Wy) T ε = E (I ρw) 1 Xβ + W (I ρw) 1 ε ] } T ε = { [W = E (I ρw) 1 Xβ ] T [ ε + W (I ρw) 1 ε ] } T ε = = E {ε [ T W (I ρw) 1] } T ε 0 Nasz model nie jest jednak modelem regresji liniowej, gdy» obserwacje zale» od siebie nawzajem (y i zale»y od s siada y j i na odwrót). Sytuacja podobna do ukªadów równa«ª cznie wspóªzale»nych. (5) Ekonometria Przestrzenna 13 / 47

SAR (Spatial Lag, SLM) Przestrzenna MNK (3) Dla uproszczenia rozwa»my model SAR z 1 zmienn obja±niaj c x: = = ([ ]) E = ˆρˆβ [ ] [ ρ 1 + ( β [ ] det Wy x T [ ] ) Wy x }{{} γ>0 zwykle>0 [ ] {}}{ ρ γx T x (Wy) T ε + β γx T (Wy) (Wy) T ε }{{} zwykle<0 x T x x T (Wy) (Wy) T x (Wy) T (Wy) ] (Wy) T ε x T ε }{{} =0 = Przestrzenna MNK dostarcza zatem obci»onych oszacowa«! (ρ zwykle zawy»one, a β zani»one). W przypadkach wielowymiarowych obci»enie koncentruje si na parametrach tych zmiennych X, których ukªad w przestrzeni najbardziej przypomina ukªad y. (5) Ekonometria Przestrzenna 14 / 47

SAR (Spatial Lag, SLM) Przestrzenna MNK (3) Dla uproszczenia rozwa»my model SAR z 1 zmienn obja±niaj c x: = = ([ ]) E = ˆρˆβ [ ] [ ρ 1 + ( β [ ] det Wy x T [ ] ) Wy x }{{} γ>0 zwykle>0 [ ] {}}{ ρ γx T x (Wy) T ε + β γx T (Wy) (Wy) T ε }{{} zwykle<0 x T x x T (Wy) (Wy) T x (Wy) T (Wy) ] (Wy) T ε x T ε }{{} =0 = Przestrzenna MNK dostarcza zatem obci»onych oszacowa«! (ρ zwykle zawy»one, a β zani»one). W przypadkach wielowymiarowych obci»enie koncentruje si na parametrach tych zmiennych X, których ukªad w przestrzeni najbardziej przypomina ukªad y. (5) Ekonometria Przestrzenna 14 / 47

SAR (Spatial Lag, SLM) Przestrzenna 2MNK (1) Obci»enie zwi zane z ª czn wspóªzale»no±ci y = ρwy + Xβ + ε mo»na potraktowa tak samo, jak w przypadku endogenicznych regresorów: zastosowa metod zmiennych instrumentalnych. Ta implementacja jest zgodna, nieobci»ona i nosi nazw przestrzennej 2MNK (S2SLS). Zmienna instrumentalna to taka, która jest zwi zana z problematycznym regresorem (Wy), ale niezwi zana ze skªadnikiem losowym (ε). Przypomnijmy,»e dla modelu SAR: Wy = WXβ + ρw 2 Xβ + ρ 2 W 3 Xβ +... + Wε + ρw 2 ε + ρ 2 W 3 ε +... }{{} idealne instrumenty! Krok 1: Regresja liniowa Wy wzgl dem macierzy zmiennych egzogenicznych oraz pewnej liczby instrumentów: Π = [ X WX W 2 X... ] (KMNK). ) 1 Π T Z niej warto±ci teoretyczne Ŵy = Π (Π T Π } {{ } P Wy (5) Ekonometria Przestrzenna 15 / 47

SAR (Spatial Lag, SLM) Przestrzenna 2MNK (1) Obci»enie zwi zane z ª czn wspóªzale»no±ci y = ρwy + Xβ + ε mo»na potraktowa tak samo, jak w przypadku endogenicznych regresorów: zastosowa metod zmiennych instrumentalnych. Ta implementacja jest zgodna, nieobci»ona i nosi nazw przestrzennej 2MNK (S2SLS). Zmienna instrumentalna to taka, która jest zwi zana z problematycznym regresorem (Wy), ale niezwi zana ze skªadnikiem losowym (ε). Przypomnijmy,»e dla modelu SAR: Wy = WXβ + ρw 2 Xβ + ρ 2 W 3 Xβ +... + Wε + ρw 2 ε + ρ 2 W 3 ε +... }{{} idealne instrumenty! Krok 1: Regresja liniowa Wy wzgl dem macierzy zmiennych egzogenicznych oraz pewnej liczby instrumentów: Π = [ X WX W 2 X... ] (KMNK). ) 1 Π T Z niej warto±ci teoretyczne Ŵy = Π (Π T Π } {{ } P Wy (5) Ekonometria Przestrzenna 15 / 47

SAR (Spatial Lag, SLM) Przestrzenna 2MNK (1) Obci»enie zwi zane z ª czn wspóªzale»no±ci y = ρwy + Xβ + ε mo»na potraktowa tak samo, jak w przypadku endogenicznych regresorów: zastosowa metod zmiennych instrumentalnych. Ta implementacja jest zgodna, nieobci»ona i nosi nazw przestrzennej 2MNK (S2SLS). Zmienna instrumentalna to taka, która jest zwi zana z problematycznym regresorem (Wy), ale niezwi zana ze skªadnikiem losowym (ε). Przypomnijmy,»e dla modelu SAR: Wy = WXβ + ρw 2 Xβ + ρ 2 W 3 Xβ +... + Wε + ρw 2 ε + ρ 2 W 3 ε +... }{{} idealne instrumenty! Krok 1: Regresja liniowa Wy wzgl dem macierzy zmiennych egzogenicznych oraz pewnej liczby instrumentów: Π = [ X WX W 2 X... ] (KMNK). ) 1 Π T Z niej warto±ci teoretyczne Ŵy = Π (Π T Π } {{ } P Wy (5) Ekonometria Przestrzenna 15 / 47

SAR (Spatial Lag, SLM) Przestrzenna 2MNK (2) Krok 2: Oszacowanie KMNK modelu SAR po zast pieniu Wy przez Ŵy: [ ] ( [ ] T [ ] ) 1 [ ] T = Ŵy X Ŵy X Ŵy X y ˆρˆβ Przestrzenna 2MNK (S2SLS) model <- stsls(y ~ x, listw = W) (5) Ekonometria Przestrzenna 16 / 47

SAR (Spatial Lag, SLM) Przestrzenna MNW (1) Wariant 2: metoda najwi kszej wiarygodno±ci M M {}}{{}}{ y = (I ρw) 1 Xβ + (I ρw) 1 u, u N(0, σ 2 ) L (u) = ( ) N ( ) 1 2 σ 2 exp ut u 2π 2σ 2 Z twierdzenia o zamianie zmiennych (przypadek wielowymiarowy): L (y) = det L (y) = M 1 ({}} ){ u L [u (y)] y det ( M 1) ( ( ) ) N 1 2 σ 2 exp (y MXβ)T (M 1 ) T (M 1 )(y MXβ) 2π 2σ 2 ˆβ = arg maxl (y) β (5) Ekonometria Przestrzenna 17 / 47

SAR (Spatial Lag, SLM) Przestrzenna MNW (2) Bª dy standardowe oceniane na podstawie Hesjanu w maksimum funkcji wiarygodno±ci (typowo przy ML). Je»eli M = I funkcja wiarygodno±ci identyczna jak w modelu liniowym. ML dla modelu SAR w R model <- lagsarlm(y ~ x, listw = W) Ten sam model oszacuje si równie», je»eli do formuªy w funkcji spautolm (pure SAR) dopiszemy regresory. (5) Ekonometria Przestrzenna 18 / 47

SAR (Spatial Lag, SLM) Testy: model liniowy vs SAR (1) Ilustracja dotyczy przypadku testowania 1 parametru (θ skalarem). (5) Ekonometria Przestrzenna 19 / 47

SAR (Spatial Lag, SLM) Testy: model liniowy vs SAR (2) LM ρ = N tr[(w T +W)W]+ 1 (WXˆβ) T ˆε T [I X(X T X)X T ](WXˆβ) ˆε χ 2 (1) ( ) ˆε T 2 Wy ˆε T ˆε H 0 : model liniowy (ρ = 0) H 1 : SAR (5) Ekonometria Przestrzenna 20 / 47

Plan prezentacji 1 Model liniowy i SAR (Spatial Lag) 2 Model SEM (Spatial Error) 3 Model SLX 4 Š czenie danych punktowych GIS ze statystykami regionalnymi (5) Ekonometria Przestrzenna 21 / 47

Model SEM z globaln zale»no±ci skªadników losowych Schemat oddziaªywa«w modelu SEM (5) Ekonometria Przestrzenna 22 / 47

Model SEM z globaln zale»no±ci skªadników losowych Model SEM relacje z innymi modelami (5) Ekonometria Przestrzenna 23 / 47

Model SEM z globaln zale»no±ci skªadników losowych Model SEM relacje z innymi modelami (5) Ekonometria Przestrzenna 24 / 47

Model SEM z globaln zale»no±ci skªadników losowych Model SEM specykacja Autoregresja przestrzenna nie dotyczy zmiennej obja±niaj cej, a skªadnika losowego ró»nica mniej wi cej ta sama co mi dzy modelami AR i MA. y = Xβ + ε ε = λwε + u Gdyby w tym modelu nie byªo zmiennych obja±niaj cych X, byªby on to»samy z modelem czystej autoregresji i SLM. Zakªadamy tu przestrzenne skupienia czynników nieobserwowalnych / wstrz sów (spatial clustering in unobservables). (5) Ekonometria Przestrzenna 25 / 47

Model SEM z globaln zale»no±ci skªadników losowych Model SEM specykacja Autoregresja przestrzenna nie dotyczy zmiennej obja±niaj cej, a skªadnika losowego ró»nica mniej wi cej ta sama co mi dzy modelami AR i MA. y = Xβ + ε ε = λwε + u Gdyby w tym modelu nie byªo zmiennych obja±niaj cych X, byªby on to»samy z modelem czystej autoregresji i SLM. Zakªadamy tu przestrzenne skupienia czynników nieobserwowalnych / wstrz sów (spatial clustering in unobservables). (5) Ekonometria Przestrzenna 25 / 47

Model SEM z globaln zale»no±ci skªadników losowych Model SEM specykacja Autoregresja przestrzenna nie dotyczy zmiennej obja±niaj cej, a skªadnika losowego ró»nica mniej wi cej ta sama co mi dzy modelami AR i MA. y = Xβ + ε ε = λwε + u Gdyby w tym modelu nie byªo zmiennych obja±niaj cych X, byªby on to»samy z modelem czystej autoregresji i SLM. Zakªadamy tu przestrzenne skupienia czynników nieobserwowalnych / wstrz sów (spatial clustering in unobservables). (5) Ekonometria Przestrzenna 25 / 47

Model SEM z globaln zale»no±ci skªadników losowych Model SEM estymacja (1) Estymator KMNK jest nieefektywny (a bª dy standardowe obci»one), gdy»: y = Xβ + ε ε = λwε + u, czyli ε = (I λw) 1 u Var (ε) = E ( εε T ) = (I λw) 1 E ( uu T ) [ (I λw) 1] T = σ 2 (I λw) 1 [ (I λw) 1] T σ 2 I Wariant 1: jak zwykle przy niesferycznym skªadniku losowym, rozwi zaniem jest estymator UMNK: ˆβ = ( X T Ω 1 X ) 1 X T Ω 1 y przy zadanym Ω = (I λw) 1 [ (I λw) 1] T W znane, λ szacowane na podstawie reszt ze zgodnej estymacji KMNK (szczegóªy procedury: Kelejian i Prucha, 1998; Arbia, ) 2014). Var (ˆβ = ˆσ ( 2 X T Ω 1 X ) 1 (5) Ekonometria Przestrzenna 26 / 47

Model SEM z globaln zale»no±ci skªadników losowych Model SEM estymacja (2) Przestrzenna UMNK w R model4 <- GMerrorsar(y ~ x, listw = W) (5) Ekonometria Przestrzenna 27 / 47

Model SEM z globaln zale»no±ci skªadników losowych Model SEM estymacja (3) Wariant 2: metoda najwi kszej wiarygodno±ci M {}}{ y = Xβ + (I λw) 1 u, u N(0, σ 2 ) L (u) = ( ) N ( ) 1 2 σ 2 exp ut u 2π 2σ 2 Z twierdzenia o zamianie zmiennych (przypadek wielowymiarowy): L (y) = det L (y) = M 1 ({}} ){ u L [u (y)] y det ( M 1) ( ( ) ) N 1 2 σ 2 exp (y Xβ)T (M 1 ) T (M 1 )(y Xβ) 2π 2σ 2 ˆβ = arg maxl (y) β (5) Ekonometria Przestrzenna 28 / 47

Model SEM z globaln zale»no±ci skªadników losowych Model SEM estymacja (4) Bª dy standardowe oceniane na podstawie Hesjanu w maksimum funkcji wiarygodno±ci (typowo przy ML). Je»eli M = I funkcja wiarygodno±ci identyczna jak w modelu liniowym. ML dla modelu SEM w R model <- errorsarlm(y ~ x, listw = W) Ten sam model oszacuje si równie», je»eli do formuªy w funkcji spautolm (pure SAR) dopiszemy regresory. (5) Ekonometria Przestrzenna 29 / 47

Model SEM z globaln zale»no±ci skªadników losowych Zbie»no± SAR i SEM (do pure SAR) przy braku regresorów X SAR y = ρwy + Xβ + ε y = ρwy + ε y ρwy = ε (I ρw) y = ε y = (I ρw) 1 ε SEM y = Xβ + (I λw) 1 u β = 0 y = (I λw) 1 u (5) Ekonometria Przestrzenna 30 / 47

Model SEM z globaln zale»no±ci skªadników losowych Testy LM: model liniowy vs SEM LM λ = N 2 tr[(w T +W)W] H 0 : model liniowy (λ = 0) H 1 : SMA ( ) 2 ût Wû û T û χ 2 (1) (5) Ekonometria Przestrzenna 31 / 47

Model SEM z globaln zale»no±ci skªadników losowych Odporne testy LM (1) W testach LM dla specykacji SAR i SEM mamy odpowiednio: 1 H 0 : model liniowy (ρ = 0), H 1 : SAR 2 H 0 : model liniowy (λ = 0), H 1 : SMA Problem: ka»da z par hipotez abstrajuje od mo»liwo±ci,»e prawdziwa mo»e by hipoteza alternatywna z drugiego testu. Konsekwencja: test 1 odrzuca H 0 nawet przy nieprawdziwej H 1 (ale prawdziwej H 1 z testu 2). I vice versa. RLMlag i RLMerr Anselin i in. (1996) proponuj odporne statystyki testowe LMρ i LMλ, których konstrukcja wyklucza mo»liwo± obj cia hipotez alternatywn niewªa±ciwego procesu (zob. te» Arbia, 2014). LMρ = LM ρλ LM λ LMλ = LM ρλ LM ρ (5) Ekonometria Przestrzenna 32 / 47

Model SEM z lokaln zale»no±ci skªadników losowych Globalny vs lokalny model SEM (1) Omówiony model SEM postulowaª globaln zale»no± mi dzy czynnikami nieobserwowalnymi: Wersja lokalna modelu SEM: y = Xβ + ε ε = λwε + u y = Xβ + ε ε = λwu + u Na czym polega ró»nica? Rozwa»my macierze mno»ników przestrzennych y wzgl dem u w obu przypadkach: lokalny SEM: y = Xβ + ε, ε = (I + λw)u M = y u = (I + λw) globalny SEM: y = Xβ + ε, ε = (I λw) 1 u M = y u = (I λw) 1 Zauwa»my,»e algebraicznie: mnożnik SEM glob {}}{ (I λw) 1 = mnożnik SEM lok {}}{ I + λw + λ 2 W 2 + λ 3 W 3 +... (5) Ekonometria Przestrzenna 33 / 47

Model SEM z lokaln zale»no±ci skªadników losowych Globalny vs lokalny model SEM (2) US CA 0 0.5 MX 0.5 Przykªad: Kanada, USA, Meksyk; W = 1 0 0 ; 1 0 0 λ = 0.4; wstrz s u = 1 wyst puje w Meksyku. Mno»niki przestrzenne dla lokalnego SEM: I + 0.4 1 0.2 0.2 0.4 1 0 0.4 0 1 0 0.5 0.5 1 0 0 1 0 0 0 0 1 = 0 0 1 0.2 0 1 = y MX = 1, y US = 0.2, brak efektu dla Kanady. Zaburzenie u wpªyn ªo na y w jednostkach bezpo±rednio poª czonych. (5) Ekonometria Przestrzenna 34 / 47

Model SEM z lokaln zale»no±ci skªadników losowych Globalny vs lokalny model SEM (3) Mno»niki przestrzenne dla globalnego SEM: 1 0 0.5 0.5 0 I 0.4 1 0 0 0 = 1 0 0 1 1 0.2 0.2 0.4 1 0 0.4 0 1 1.19 0.24 0.24 0.48 1.10 0.10 0.48 0.10 1.10 1 0 0 1 0.24 0.10 1.10 y MX > 1, y US > 0.2, jest (sªaby, ale dodatni) efekt dla Kanady Zaburzenie przelewa si na jednostki poª czone, a z nich na kolejne jednostki poª czone z nimi (w tym na region b d cy ¹ródªem zaburzenia). (5) Ekonometria Przestrzenna 35 / 47

Plan prezentacji 1 Model liniowy i SAR (Spatial Lag) 2 Model SEM (Spatial Error) 3 Model SLX 4 Š czenie danych punktowych GIS ze statystykami regionalnymi (5) Ekonometria Przestrzenna 36 / 47

Model SLX Schemat oddziaªywa«w modelu SLX (5) Ekonometria Przestrzenna 37 / 47

Model SLX Model SLX relacje z innymi modelami (5) Ekonometria Przestrzenna 38 / 47

Model SLX Model SLX relacje z innymi modelami (5) Ekonometria Przestrzenna 39 / 47

Model SLX Model SLX specykacja Bezpo±redni wpªyw przyczyn w s siedztwie na skutek w obserwowanym regionie przestrzenne efekty zara»ania (ang. spatial spillovers): y = Xβ + WXθ + ε Mo»liwa zgodna, nieobci»ona i efektywna estymacja KMNK. (5) Ekonometria Przestrzenna 40 / 47

Model SLX Model SLX specykacja Bezpo±redni wpªyw przyczyn w s siedztwie na skutek w obserwowanym regionie przestrzenne efekty zara»ania (ang. spatial spillovers): y = Xβ + WXθ + ε Mo»liwa zgodna, nieobci»ona i efektywna estymacja KMNK. (5) Ekonometria Przestrzenna 40 / 47

Plan prezentacji 1 Model liniowy i SAR (Spatial Lag) 2 Model SEM (Spatial Error) 3 Model SLX 4 Š czenie danych punktowych GIS ze statystykami regionalnymi (5) Ekonometria Przestrzenna 41 / 47

Przykªad: lokalizacje sklepów Biedronka Dane GIS nt. sieci sklepów Biedronka ródªo: poiplaza.com POI: points of interest (bazy danych z ciekawymi punktami, zwykle udost pniane z my±l o u»ytkownikach samochodowych urz dze«nawigacyjnych z GPS) Dane punktowe nt. lokalizacji poszczególnych sklepów w Polsce. Dªugo± i szeroko± geograczna. Pytanie: czy wªa±ciciel Biedronki kieruje si innymi kryteriami ni» wielko± rynku, lokalizuj c swoje sklepy? Innymi sªowy, czy znajdziemy zale»no± mi dzy liczb sklepów Biedronka na mieszka«ca a statystykami socjoekonomicznymi z BDL np. na poziomie powiatu? (5) Ekonometria Przestrzenna 42 / 47

Przykªad: lokalizacje sklepów Biedronka Dane GIS nt. sieci sklepów Biedronka ródªo: poiplaza.com POI: points of interest (bazy danych z ciekawymi punktami, zwykle udost pniane z my±l o u»ytkownikach samochodowych urz dze«nawigacyjnych z GPS) Dane punktowe nt. lokalizacji poszczególnych sklepów w Polsce. Dªugo± i szeroko± geograczna. Pytanie: czy wªa±ciciel Biedronki kieruje si innymi kryteriami ni» wielko± rynku, lokalizuj c swoje sklepy? Innymi sªowy, czy znajdziemy zale»no± mi dzy liczb sklepów Biedronka na mieszka«ca a statystykami socjoekonomicznymi z BDL np. na poziomie powiatu? (5) Ekonometria Przestrzenna 42 / 47

Przykªad: lokalizacje sklepów Biedronka Dane GIS nt. sieci sklepów Biedronka ródªo: poiplaza.com POI: points of interest (bazy danych z ciekawymi punktami, zwykle udost pniane z my±l o u»ytkownikach samochodowych urz dze«nawigacyjnych z GPS) Dane punktowe nt. lokalizacji poszczególnych sklepów w Polsce. Dªugo± i szeroko± geograczna. Pytanie: czy wªa±ciciel Biedronki kieruje si innymi kryteriami ni» wielko± rynku, lokalizuj c swoje sklepy? Innymi sªowy, czy znajdziemy zale»no± mi dzy liczb sklepów Biedronka na mieszka«ca a statystykami socjoekonomicznymi z BDL np. na poziomie powiatu? (5) Ekonometria Przestrzenna 42 / 47

Przykªad: lokalizacje sklepów Biedronka Agregacja punktów po zadanej mapie (5) Ekonometria Przestrzenna 43 / 47

Przykªad: lokalizacje sklepów Biedronka Agregacja punktów po zadanej mapie Funkcja ClassIntervals uwaga na parametr style. Dotychczas u»ywali±my quantile podziaª na 9 równych klas do prezentacji na mapie. W przypadku zmiennej licznikowej to nie ma sensu (du»o remisów wokóª granic klas, kolory b d alokowane przypadkowo). (5) Ekonometria Przestrzenna 44 / 47

Przykªad: lokalizacje sklepów Biedronka Oszacowania 3 modeli Szacujemy modele regresji liczby Biedronek na 10 tys. mieszka«ców wzgl dem danych z rynku pracy (bezrobocia, wynagrodzenia): liniowy SLM SEM SLX Porównujemy je pod k tem istotno±ci zmiennych, kryterium AIC, logarytmu warto±ci f. wiarygodno±ci w maksimum oraz kryterium usuni cia autokorelacji przestrzennej. Który model jest najlepszy? (5) Ekonometria Przestrzenna 45 / 47

Zadanie domowe wiczenie Wyprowad¹ funkcj wiarygodno±ci dla modelu SEM z zaburzeniami lokalnymi. Stwórz w R kod sªu» cy do oszacowania takiego modelu. (5) Ekonometria Przestrzenna 46 / 47

Zadanie domowe Zadanie domowe 5 Skonstruuj zbiór potencjalnych zmiennych obja±niaj cych (X) i doª cz go do danych przestrzennych u»ytych w ramach zadania domowego 1 (y). Przy pomocy macierzy wag przestrzennych W zbudowanej w ramach zadania domowego 2 oszacuj model czystej autoregresji dla zmiennej z zadania 1. Oce«, czy wynik jest spójny z przeprowadzonymi w ramach zadania 3 testami. Oszacuj modele SAR, SLX, SEM dla rozwa»anych X, y i W. Zilustruj na mapie reszty z tych modeli oraz zbadaj je pod k tem obecno±ci przestrzennej autokorelacji. (5) Ekonometria Przestrzenna 47 / 47