просторова автокореляція для даних часових рядів

У мене є 20-річний набір даних про щорічну кількість чисельності видів для набору багатокутників (~ 200 неправильних форм, суцільних багатокутників). Я використовую регресійний аналіз для висновку тенденцій (зміна кількості в рік) для кожного полігону, а також агрегації даних полігонів на основі меж управління.

Я впевнений, що в даних є просторова автокореляція, що, безумовно, вплине на регресійний аналіз для агрегованих даних. Моє запитання - як запустити тест SAC для даних часових рядів? Чи потрібно мені дивитися на САК залишків з моєї регресії на кожен рік (глобальний Я Морана)? Або я можу провести один тест за всі роки?

Після того, як я перевірив, що так є SAC, чи легко було це вирішити? Моя статистика є мінімальною, і все, що я читав на просторово-часовому моделюванні, звучить дуже складно. Я знаю, що R має функцію автокоріаріату, зважену на відстань - це взагалі просто у використанні?

Я дуже розгублений щодо того, як оцінити / доповнити SAC для цієї проблеми, і дуже вдячний за будь-які пропозиції, посилання чи посилання. Спасибі заздалегідь!

Згідно з цією роботою , OLS узгоджується за наявності просторової автокореляції, але стандартні помилки є невірними та потребують коригування. Соломон Сяан надає статичний та матлаб-код для цього. На жаль, я не знайомий з жодним кодом R для цього.

Звичайно, існують інші підходи до подібної проблеми в просторовій статистиці, яка чітко моделює просторові процеси. Цей просто завищує стандартні помилки.

На жаль, теоретичні економетри, на жаль, отримують задоволення від обдумування. Зв'язаний папір дійсно важко читати. В основному, це говорить, виконайте будь-яку регресію, яку ви хочете, а потім перейдіть виправити стандартні помилки пізніше, тобто: використовуючи код від Hsiang. Простір не потрапляє в нього, поки ви не спробуєте оцінити дисперсію вашої оцінки. Інтуїтивно зрозуміло, якщо вся різниця близька між собою, ви менш впевнені, що ваша оцінка не є просто пережитком якогось незабезпеченого просторового шоку.

Зауважте, що вам потрібно вказати пропускну здатність ядра, над якою, на вашу думку, може працювати просторовий процес.

Ця відповідь в основному є копією / вставкою аналогічної відповіді, яку я зробив тут

Якщо проблема - автокорельовані помилки, , OLS є послідовним, але неефективним, як говорить ACD. Це як послідовне співвідношення в економетриці часових рядів.$y = X\beta + u, u=\rho Wu + \epsilon$

Але якщо є просторова автозалежність (її також називають автокореляцією, заплутано), , тоді OLS є непослідовною. Це те саме, що і відсутність зміщення змінної змінної. Якщо у вас є обидва проблеми, вам потрібно використовувати просторову модель Дурбіна, .$y = \rho W y+ X\beta + \epsilon$$y = \rho W y + X\beta + WX \lambda + \epsilon$

Пакет spdep для R містить численні функції, які обчислюють матриці просторових ваг, оцінюють просторові регресії та роблять інші дії. Я маю великий досвід роботи з lagsarlmфункціями, але в документації на упаковку бачите, що є sacsarlmфункція, яка, здається, більше того, що ви шукаєте.

Що стосується часового аспекту вашої проблеми, то припущення, які ви робите від залежності, пройдуть довгий шлях до визначення специфікації вашої моделі. Чи взаємодіють ваші райони між собою безпосередньо? Прикладами цього є ринки торгівлі чи житла; експорт з однієї країни сильно залежить від імпорту в іншу, а ціна продажу нещодавно придбаних будинків є дуже важливим внеском у ціну продажу прилеглих будинків. У цьому випадку має сенс вказати свою матрицю ваг щоб прийняти цю залежність. Дозволити будинок, куплений за час бути "сусідами" з будинками в часі , але не з будинками в часі .$W$$t$$t-1$$t +1$

Якщо ваші умови співвідносяться, але не логічно залежать один від одного, наприклад, урожайність сільського господарства, мабуть, було б більше сенсу мати єдину нечутливу до часу матрицю , але включати манекерів року в специфікацію$W$$X$