区域经济分析方法.ppt

绘制这个地图的编码样板如下： P P T 区域经济分析方法 回归分析 投票率和人均GDP之间明显可能存在相关关系，但是投票率的空间聚集关系可以完全被GDP的地理差异解释吗？下面考察了投票率和人均GDP的简单函数模型。首先我们考察标准的最小二乘估计，结果在表2.6中列出。标准结果表明：在意大利，收入是投票行为的一个很强预测指标，对数人均GDP一个单位的变化（每百万里拉）将导致14%的投票率变化。然而，我们得到回归残差空间模型的莫兰值为0.47，这表明还存在没有被协变量解释掉的空间模式。 表2.6 意大利投票率对人均GDP对数的OLS回归（OLS） 回归分析 然后我们用下面的代码，考察空间滞后y回归模型: 回归分析 表2.7列出了计算结果。人均GDP对投票率的作用没有上面的OLS结果那么“强”，但是更可信。它表明收入的作用减小，但仍然是一个很强的作用。然而，空间滞后变量的作用相当显著。 表2.7 意大利投票率对人均GDP对数的空间滞后回归（1997） 均衡分析 根据上面的方法，可以很容易的算出477个选区中每一个的均衡值，也就是模型的预期值。这里我们并没有将他们列出来，而是用一个简单的实验方式：假设意大利最穷区域雷焦卡拉布里亚-斯巴里的人均GDP翻倍，这样我们计算出这一“情景下”的预期值和模型中观测数据的预期值的差异，这个差异对大部分选区来说都是不存在的，但是对其附近的15个选区来说，这种单一选区人均GDP的变化将导致期望投票率发生1%或者更大的改变。与预期一样，最大的改变是在相邻的选区之间。图2.5表示了意大利投票率发生变化后的分布。 图2.5 由于南部意大利单一穷困区（雷焦卡拉布里亚—斯巴里） 人均GDP翻倍而带来的预期投票率增长 均衡分析 下面的编码表示如何基于事先得到的空间滞后y值，构造针对雷焦卡拉布里亚-斯巴里（432个观测值）的实验（简略形式）： 将不同权重矩阵引入空间滞后因变量模型中 我们以2004年美国总统选举为例，说明空间权重矩阵的作用，从该数据中，可以很容易提取出XML表，并且转变成csv文档。为了简化研究问题，我们将不考虑阿拉斯加和夏威夷，因为他们和其它所有的州都隔的非常远，所以并不会影响我们对区域数据的分析。我们感兴趣的主要变量，是小布什和克里的总选票在48个相连州与哥伦比亚地区中的份额。考虑到这是作为练习的一个例子，我们忽略每个州的提名投票数，然后构造一个小布什对克里的投票比，将此作为因变量。 为了找出空间类型数据中的自相关程度，我们构造出这49个政治和地理单位之间空间连接性的几种测量。第一种测量是相连州之间的简单测量。在这种情况下，华盛顿州与爱达荷州和俄勒冈州相邻，因为他们接壤。科罗拉多州与新墨西哥州、亚利桑那州，犹他州、怀俄明州、内布拉斯加州、堪萨斯州以及俄克拉荷马州接壤。图2.6描述了这些情况。 图2.6 美国48个州按照接壤计算出的一阶连接图 下面我们用地图画出2004年总统选举中，小布什和克里在每个州的得票比。如图2.7所示，2004年总统大选中各州之间的投票行为表现出很强的地理关系。 图2.7 2004年总统选举各州支持小布什对克里的投票比 莫兰I同样在数字上表明了这种空间关系(见表2.8) 表2.8 2004年总统选举小布什—克里总投票数的自相关 各州的平均生产总值（类似于GDP）来自于经济分析局的测量，该局是美国商务部的一部分。必威体育精装版的可用数据来自于/bea/newsrelarchive/2006/gsp1006.xls,这也包括1997年到2004年各州生产总值的增长率。这些数据描绘了在2004年选举之前的七年中，各州经济的变化。我们用该数据作为协变量来解释2004年总统选举的投票情况。 我们建立了两个基本的空间连接矩阵，一个是根据是否接壤，另外一个是选择最近的四个邻州。对于每一个接壤编码，我们都估计了一个空间滞后因变量的回归模型。结果见表2.9。 表2.9 2004年美国总统竞选中各州小布什对克里的投票率 对GDP增长率（1997—2004年）的空间滞后回归 经验研究结果表明，GDP增长率更高的州，在投票上更少支持小布什而更多支持克里。在接壤编码上，我们发现了很弱但正向的空间关系（0.09），但在利用四个邻州作为空间加权编码的时候，小布什-克林顿投票比却表现出更强的正向相关关系（0.60）。这两种不同的估计方式不仅在标准回归结果表上出现不同的结果，而且更重要的是他们将导致均衡值出现很大差异。如图2.8所示，对于这两种不同的加权模式，尽管其均衡效应正向相关，但他们的分布却完全不同。边界接壤方法得到的均衡效应的均值（-0.15）比用四个邻州作为估计得到的均值（-0.35）更小。该例子说明的首