简介动态面板空间杜宾模型代码包面向空间计量经济学研究方向的研究者解决传统静态模型无法处理时间滞后与空间滞后并存的问题。该实现包含完整的模型估计与检验环节适用于产业集聚、区域创新、技术扩散等动态空间溢出的实证分析。压缩包共19个文件总大小仅337KB其中12个.m脚本构成主要功能模块包括模型估计核心函数、示例运行脚本、空间权重矩阵构造及长期效应计算等4个xlsx数据文件提供面板数据与空间权重示例便于直接复现案例1个PDF文档则详细说明动态极大似然估计的原理和操作要点。已有1948人学习下载。通过运行示例脚本读者能完整经历从模型设定、数据准备、参数估计到结果解读的流程并可根据自己的研究课题修改函数接口或数据文件快速迁移至其他空间面板场景显著提升实证分析效率。1. 动态面板空间杜宾模型先别急着解压 rar这套空间回归最容易让人栽跟头桌面上的“动态面板空间杜宾模型.rar”通常装着讲稿、示例数据和一两个 do 文件但真正能一次跑通的人不多。动态面板空间杜宾模型是空间计量里最“缠人”的一种它同时处理时间惯性、空间溢出和时空反馈估计出来的系数不能直接解释还要拆成短期/长期、直接/间接效应。很多研究地级市财政竞争、污染排放、创新溢出的同学都是卡在“怎么把 rar 里的资料变成自己数据的可复现结果”这一步。这个标题真正值钱的不是那个压缩包而是背后的模型选择逻辑和参数设置经验。适合已经懂一点面板回归、想往上走空间计量的人。2. 先立住理论动态面板空间杜宾模型在识别什么为什么不能只用静态2.1 动态面板空间杜宾模型比普通空间杜宾多估了“时空惯性”普通空间杜宾模型SDM已经比空间自回归SAR进了一步因为它不但包含邻居被解释变量的当期影响 Wy还包含每个解释变量的空间滞后 Wx。它解决的问题是某地的 x 变化除了影响本地 y会不会通过空间溢出影响邻居的 y甚至邻居的 y 再反过来影响本地 y。但静态 SDM 有一个致命前提不考虑时间惯性。现实里的区域创新、环境污染、财政支出没有一个是“当期归当期”的。上一年度的污染会继续影响今年这是时间滞后 y_{t-1}邻居上一年度的污染还会通过大气扩散或要素流动影响今年本地这是时空滞后 W*y_{t-1}。动态面板空间杜宾模型就是在静态 SDM 的基础上把这两个滞后项同时放进模型。不加这两个项空间自回归系数 ρ 会被系统性高估因为模型会把时间惯性误判成邻居的同步效应。很多论文被拒稿根子就在这。2.2 模型表达式里每个字母在说什么从 τ 到 η 的识别链条一个比较通用的动态面板空间杜宾模型可以写成y_{it} τ y_{i,t-1} ρ W y_{it} η W y_{i,t-1} X_{it} β W X_{it} θ μ_i γ_t ε_{it}这里 τ 是时间滞后系数衡量 y 自身的惯性ρ 是空间自回归系数衡量当期邻居的 y 对本地 y 的影响η 是时空滞后系数衡量邻居上一期 y 对本地当期 y 的影响β 是自变量当期影响θ 是自变量空间滞后影响相当于邻居的 x 也会影响本地 y。μ_i 是个体固定效应γ_t 是时间固定效应ε_{it} 是扰动项。看这个式子要注意一个点ρ、τ、η 三个系数同时存在模型才能识别“冲击的完整传播路径”。本地 x 变动先通过 β 影响本地 y再通过 W 和 ρ 传导给邻居邻居下一期又带着 η 把部分影响传回来同时时间惯性 τ 又让这个影响衰减或放大。静态模型把这一整套压缩到一个 ρ 里自然会出问题。审稿人如果要你解释“长期效应是怎么算出来的”你得能说清长期乘子来自 (1-τ) 和 (1-ρ-η) 的组合而不是简单把系数乘一个年份数。2.3 怎么选择空间面板模型先跑 LM 检验再决定要不要上 SDM拿到任何数据不要一上来就怼动态面板空间杜宾模型。先问一句这个模型是不是被数据支持常见做法是“一般到具体”的路径先用普通动态面板或静态面板跑一个基准模型把残差拿出来做空间相关检验再决定模型形态。R 里用 spdep 包的 lm.LMtests 可以同时给出针对空间误差和空间滞后的 LM 检验结果library(spdep) # 假设已经有坐标 coords 和面板数据 df # 构建 k 近邻权重矩阵k 一般取 4 到 8 nb - knn2nb(knearneigh(coords, k 4)) listw - nb2listw(nb, style W) # 先跑一个普通 OLS 基准模型 ols - lm(y ~ x1 x2, data df) # 检验残差是否存在空间滞后或空间误差结构 lm.LMtests(ols, listw, test all)lm.LMtests 返回 LMerr、LMlag、RLMerr、RLMlag 四类统计量。LMerr 指向空间误差模型LMlag 指向空间滞后模型如果两个都显著再比较稳健的 RLMerr 和 RLMlag。如果 RLMlag 更强SAR 更合适如果都不拒绝再考虑 SDM。因为 SDM 是更一般的设定包含了 SAR 和 SEM 作为约束情况所以很多人会直接把 SDM 当作起点。但注意动态面板空间杜宾模型的自由度更大对数据长度和截面数要求也更高。T 不够长时时空滞后加时间滞后会让工具变量数量爆炸后面检验会变得非常脆弱。3. 把 rar 变成可复现结果Stata 与 R 的最小运行路径3.1 解压前先看清这三样东西数据、权重矩阵、do 文件我下载这类课程资料踩过最大的坑是解压密码被“后缀乱码”误导。类似“动态面板空间杜宾模型.rar_caughtuk3_空间回归_空间杜宾”这种命名实际上“caughtuk3”多半是发布者自己的标记不是密码。如果碰到“课程资料.rar 忘记解压密码”先回原发布页看正文和置顶评论比下载 Advanced RAR Password Recovery 靠谱得多。这类破解工具耗时不说很多破解版还会夹带广告子程序杀毒软件报完警你还要回头来找干净环境。解压之后先别急着打开 do 文件。先确认三样东西是否齐全第一面板数据最好长这样id、time、y、x1、x2 这种标准结构第二空间权重矩阵是一个 n×n 的矩阵文件或者至少有一列经纬度/多边形 shapefile第三do 文件或 R 脚本。如果压缩包里只有 do 文件没有权重矩阵那大概率是在 do 文件里用坐标现场生成。你先运行到生成 W 的命令确认没问题再继续。3.2 Stata 路线导入权重矩阵后跑通静态 SDM再升级动态Stata 15 以后有官方空间面板命令权重矩阵可以手动导入。假设你有一个 W.csv行和列都是区域 id顺序和面板数据里的独立个体顺序一致* 1. 导入空间权重矩阵W 是矩阵名称W.csv 是第一行和第一列为 id 的 n×n 矩阵 spmatrix import W using W.csv, replace * 2. 跑固定效应空间杜宾模型dvarlag 加入 W*yivarlag 加入所有 x 的 W*x spxtregress y x1 x2, fe dvarlag(W) ivarlag(W) * 3. 输出直接、间接和总效应 estat impacts这里的 fe 是个体固定效应dvarlag(W) 表示模型包含被解释变量的空间滞后ivarlag(W) 表示所有解释变量的空间滞后也要进入模型。如果没有 ivarlag(W)模型就退化成空间自回归 SAR 了。estat impacts 对 SDM 尤其重要它会输出直接效应、间接效应和总效应还会给置信区间。注意这个命令要求 W 的行标准化且对角线必须为 0。Stata 没有一条命令直接跑“动态”空间杜宾常见做法是先造出空间滞后变量再放到动态面板 GMM 里。可以用官方 spgenerate 生成 Wy然后手动生成 Wy_{t-1}最后放到 xtabond2 或 xtdpdsys 里把这两个滞后变量当作内生变量处理。这里最容易犯的错是直接把 W*y 当作普通外生变量放进 GMM审稿人大概率会质疑空间滞后变量的内生性。3.3 R 路线用 spdep 生成空间滞后变量为动态面板 GMM 做准备如果你拿到的是 R 代码那核心工作就是构建正确的权重矩阵并生成空间滞后变量。下面是一个可以迁移的最小例子library(spdep) # 读入面板数据必须包含 id、time、lon、lat df - read.csv(panel_data.csv) # 构建 k4 近邻然后转成行标准化的权重矩阵 coords - cbind(df$lon, df$lat) nb - knn2nb(knearneigh(coords, k 4)) listw - nb2listw(nb, style W) # 生成本期空间滞后 W*y df$Wy - lag.listw(listw, df$y) # 生成上一期 y再求空间滞后得到时空滞后 W*y_{t-1} df$y_lag - ave(df$y, df$id, FUN function(z) c(NA, head(z, -1))) df$Wy_lag - lag.listw(listw, df$y_lag)lag.listw 返回每个区域邻居变量的加权平均权重来自 listw。ave 是按 id 分组做滞后c(NA, head(z, -1)) 是手动实现时间滞后比用 reshape 的函数更直观。得到 Wy 和 Wy_lag 后就可以用 plm 包的 pgmm 函数做动态空间面板估计library(plm) pdata - pdata.frame(df, index c(id, time)) # 示意把时间滞后和空间滞后都当作内生变量 # 工具变量集合需要根据 Arellano-Bond 检验调整 model - pgmm(y ~ lag(y, 1) Wy Wy_lag x1 x2 | lag(y, 2:4) Wx1 Wx2, data pdata, model twostep, effect twoways) summary(model, robust TRUE)这里最需要留意的是工具变量集合。lag(y, 2:4) 是把 y 的第二到第四阶滞后作为工具变量Wx1 和 Wx2 是解释变量的空间滞后。空间滞后变量 Wy 本身是内生的需要在 gmm 或 iv 部分里处理否则估计量不会一致。上面这段代码是一个落地起点真正写进论文前必须读 Arellano-Bond AR(2) 检验和 Hansen 检验的输出。4. 三个必调参数空间权重矩阵、动态项与效应分解的置信区间4.1 空间权重矩阵怎么选从邻接到经济距离的四张牌空间权重矩阵是整个模型的黑匣子。同样的数据用邻接矩阵和用经济距离矩阵估计出的 ρ 可能一个是正 0.5一个是负 0.2。所以第一步不要急着跑模型要把权重矩阵的生成理由写清楚。常见的选择可以分成四类类型适用场景主要坑简单邻接行政区划、地理边界清楚岛或孤立区域会被自动排除距离衰减倒数空气污染、技术溢出阈值截断距离要给出依据k 近邻城市网络、产业关联每个地区邻居数固定边界地区也硬凑经济/社会距离财政竞争、人口流动存在明显内生性要提前解释权重矩阵一定要做行标准化也就是每一行元素之和为 1这样 W*y 才是邻居 y 的加权平均。对角线必须严格为 0不然某地自己的 y 会通过权重矩阵传回自己导致 ρ 虚高。在 Stata 里导入经济距离矩阵和导入地理权重矩阵完全一样prepare 一个 csv 用 spmatrix import 就行。做稳健性时至少换一种权重矩阵如果结果的直接效应符号都不变才算过了基本门槛。4.2 动态项参数时间滞后和时空滞后该不该同时进模型动态面板空间杜宾模型里最关键的参数不是 ρ而是 τ 和 η 的组合。很多人在 Stata 里跑完静态 spxtregress看到 ρ 显著就觉得大功告成。但如果你是做政策评估或实证因果缺少时间滞后意味着所有估计都建立在“去年的事对今年没有任何影响”这个假设上这在区域数据里几乎不可能成立。我一般建议的做法是分层估计先跑一个只含 y_{t-1} 的动态 SAR 模型再把 W*y_{t-1} 加进去变成动态 SDM用 LR 检验判断空间滞后因变量是不是多余。如果 η 不显著就退回到动态 SAR减少工具变量数量。如果 η 显著为正说明邻居上一期的结果仍然在影响本地这时候时空溢出不是短期扰动而是长期累积的。R 里可以用 pgmm 修改公式Stata 里则在 xtabond2 的 gmm 列表中加入 L.Wy。要特别注意Wy 和 Wy_lag 都是内生变量工具变量必须至少包含 y 的更高阶滞后和外生的 Wx。4.3 效应分解的置信区间审稿人要的不是点估计动态面板空间杜宾模型的结果不能只报告回归系数因为 ρ、τ、η 会交叉反馈。真正进入论文表格的是直接效应、间接效应和总效应。静态 SDM 中直接效应和间接效应来自矩阵 (I - ρW)^(-1)(β θW)动态模型还要考虑时间和时空滞后长期效应进一步被 τ 和 η 调整。效应分解光有点估计没有置信区间几乎等于白做。Stata 的 estat impacts 在静态模型后面会直接给区间动态模型没有现成命令就得自己 bootstrap。这里有一个很容易翻车的地方bootstrap 必须按整块个体抽样也就是整个 id 的时间序列一起进组不能逐行重抽样。逐行抽会破坏每个个体内部的时间相关性空间关联结构也乱了算出来的置信区间没有意义。R 里我一般这样写set.seed(123) nboot - 200 results - vector(list, nboot) id_list - unique(pdata$id) for (b in 1:nboot) { # 按个体整块抽样 chosen - sample(id_list, replace TRUE) idx - unlist(lapply(chosen, function(i) which(pdata$id i))) df_boot - pdata[idx, ] # 重新估计动态空间面板模型并提取间接效应 model_b - pgmm(y ~ lag(y, 1) Wy Wy_lag x1 x2 | lag(y, 2:4) Wx1 Wx2, data df_boot, model twostep, effect twoways) results[[b]] - summary(model_b, robust TRUE)$coefficients } # 后续按分位数提取置信区间注意这里用到的不是 pdata.frame而是 plm 对象实际写代码时要先转换好。bootstrap 次数 200 到 500 比较常见太少的话间接效应尾部很宽写进论文没有说服力。如果模型本身计算很慢可以先缩到 99 次看趋势再决定要不要跑完整。5. 动态面板空间杜宾模型避坑指南五条翻车记录与排查路径5.1 现象do 文件报错 spxtregress not found你拿到的课程资料多半来自某位老师或博主里面可能写的是spxtregress y x1 x2, fe结果你打开 Stata 一跑直接红色报错 command not found。原因基本就是两个Stata 版本低于 15或者运行前没有初始化空间数据。spxtregress 是 Stata 15 才加入的官方命令14 及以前的版本无论如何都跑不了。另外它依赖 spmatrix 导入的权重矩阵如果 do 文件里没有执行 spmatrix import命令本身也不会工作。解决先which spxtregress和which spmatrix看结果。如果 Stata 版本不够要么升级要么改用ssc install xsmlexsmle 能做静态空间面板 SDM/SAR/SEM。如果是权重矩阵没导入把 spmatrix import W using W.csv, replace 放到 spxtregress 前面。这个坑是最“新手友好”的但也有很多老手因为版本和命令库不同浪费一整天。5.2 现象权重矩阵维度对不上数据里出现大量缺失有时候模型能跑但看结果发现变量数量不对或者报错“W has missing values”。这通常不是代码问题而是权重矩阵的行列顺序和面板数据的个体顺序不一致。原因很具体比如你用经济距离矩阵excel 里删了几个省份但权重矩阵还是原来的 n×n或者面板数据是长面板个体 id 的编码和矩阵行号不能对齐。另一个常见原因是非平衡面板某个个体在某年缺失但权重矩阵包含它R 的 lag.listw 会把缺失位置变成 NA然后蔓延到整个回归。解决先tab id数一下个体数再数权重矩阵维度。确保权重矩阵不含对角线自环行名和 id 一一对应。非平衡面板要先用 plm 的 make.pbalanced 或者 Stata 的 tsfill 补成平衡面板再生成空间滞后变量。空间计量里非平衡面板的权重矩阵处理本身就比较麻烦最好在数据处理阶段就补平。5.3 现象ρ 接近 0.99 或模型不收敛动态面板空间杜宾模型里 ρ 的取值范围受权重矩阵约束行标准化后理论上小于 1但接近 0.99 就已经是极大值了。如果你发现 ρ 每次估计都在 0.95 以上且标准误巨大通常不是“空间关联很强”而是模型设定有问题。最常见的原因是缺少时间固定效应。如果所有地区共享一个随时间上升的共同冲击而你只加了地区固定效应这个共同时间趋势会被空间滞后项捕捉导致 ρ 虚高。另一个原因是权重矩阵对角线不为 0让每个地区把自己的 y 也算了一遍邻居ρ 直接爆表。解决在模型中加入时间固定效应Stata 的 fe 选项里再补时间虚拟变量R 的 pgmm 把effect 设成 twoways。检查权重矩阵对角线数值写成diag(W)看一眼全部应为 0。如果调完还是接近 1检查 y 是否带明显单位根必要时取对数或差分。5.4 现象动态项系数与静态模型差异巨大同一种数据静态 SDM 的 ρ0.6 且显著加入 y_{t-1} 后 ρ 降到 0.2τ0.7 显著。很多人会怀疑是自己做错了其实这是正常且合理的结果。原因是静态模型把时间惯性塞进了空间自回归项。区域 gdp、污染、创新能力都有极强的持续性静态模型无法区分“因为去年就是这个水平”和“因为邻居今年影响了本地”。加入时间滞后项后ρ 回落是剥离了时间成分后的真实同期空间溢出。如果 τ 不显著那才说明没有时间惯性静态模型也说得过去。解决不要删掉静态结果论文里同时报告静态和动态用动态结果显示 τ 和 η 的显著性来说明动态模型更合适。再配合 Arellano-Bond AR(2) 检验的 p 值如果 AR(2) 不显著说明动态模型的工具变量条件基本成立这是审稿人最爱看的东西。5.5 现象间接效应符号和回归系数符号相反空间杜宾模型最反直觉的一点就是回归表格里的 θ 和间接效应符号可能完全相反。比如 W*x 的系数 θ-0.3 且显著画出来的间接效应却是正的。很多人因此怀疑效应分解程序出错。原因在计算逻辑间接效应不是 θ 本身而是整个空间乘子矩阵的非对角元素。间接效应同时受到 β、θ、ρ 的影响如果 β 是正的且 ρ 是正的本地 x 提升会通过反身反馈放大邻居的 y最终溢出方向由 βθW 的组合积分决定而不是单看 θ。解决所有论文结论都从 estat impacts 或 R 的效应分解结果出不直接引用 θ 做解释。如果间接效应符号和业务直觉冲突用 2.3 里的空间权重矩阵换一种方式验证并说明结果在哪种矩阵下成立。把 θ 单独拿出来写结论是空间计量审稿里非常典型的低级错误。6. 让动态面板空间杜宾模型进论文效应分解表格与两个可视化收尾6.1 效应分解表怎么写才能过审稿人那关论文里的核心结果表我一般会列成三块直接效应、间接效应、总效应每块再拆短期和长期。行放核心解释变量列放效应类型括号里放 bootstrap 置信区间或标准误。注意不要只给星号和 z 值至少给出 95% 置信区间审稿人特别喜欢看区间是否跨零。表格里的数字要跟回归系数对上但不要直接把 θ 或 β 抄进去。长期效应要特别小心动态模型的长期乘子不是短期效应的简单相加而是要通过 (1-τ) 和空间乘子共同调整。你要是存疑就做一次 bootstrap 计算长期效应确保每次抽样都走同一个估计流程避免手算和程序不一致。6.2 用空间溢出散点图验证方向别让表格数字说了算效应分解是一个黑匣子审稿人未必信所以我会加一张空间溢出散点图横轴是某个核心解释变量 x纵轴是它的空间滞后 W*x点大小对应空间权重再叠一条回归线。如果散点图斜率为正说明该变量的空间分布本身就有正溢出模型分解出正的间接效应才不会显得突兀。R 里的代码很简单library(ggplot2) df$Wx - lag.listw(listw, df$x1) ggplot(df, aes(x1, Wx)) geom_point(aes(size weight), alpha 0.6) geom_smooth(method lm, se FALSE)这张图的价值在于稳定性验证换一种权重矩阵如果 Wx 和 x1 的关系仍然同方向后面的空间模型结论就有支撑如果图形斜率和模型间接效应相反你要先回去检查是不是权重矩阵尺度出了偏差。做稳健性时我会再删掉个体规模最大的区域重新估计防止单点驱动 ρ。这个习惯是从一次翻车里学来的当时一个直辖市样本同时是高权重和异常值删掉之后 ρ 从 0.7 掉到 0.3整个结论差点被推翻。现在我对每个空间模型结果都默认至少跑三种权重矩阵、删一个最大截面、做一次 bootstrap三个结果方向一致才敢写进正文。希望帮到你。本文还有配套的精品资源点击获取