利用STATA创建空间权重矩阵及空间杜宾模型计算命令
** 创建空间权重矩阵介绍
*设置默认路径
cd C:\Users\xiubo\Desktop\F182013.v4\F101994\sheng
**创建新文件
*shp2dta:reads a shape (.shp) and dbase (.dbf) file from disk and converts them into Stata datasets. *shp2dta:读取CHN_adm1文件
*CHN_adm1：为已有的地图文件
*database (chinaprovince)：表示创建一个名称为“chinaprovince”的dBase数据集
*database(filename)：Specifies filename of new dBase dataset
*coordinates(coord)：创建一个名称为“coord”的坐标系数据集
*coordinates(filename)：Specifies filename of new coordinates dataset
*gencentroids(stub)：Creates centroid variables
*genid(newvarname)：Creates unique id variable for database.dta
shp2dta using CHN_adm1,database (chinaprovince) coordinates(coord) genid(id) gencentroids(c)
**绘制2016年中國GDP分布圖
*spmap:Visualization of spatial data
*clnumber(#):number of classes
*id(idvar):base map polygon identifier(识别符，声明变量名，一般以字母或下划线开头，包含数字、字母、下划线)
*_2016GDP：变量
*coord:之前创建的坐标系数据集
spmap _2016GDP using coord, id(id) clnumber(5)
*更改变量名
rename x_c longitude
rename y_c latitude
**生成距离矩阵
*spmat:用于定义与管理空间权重矩阵
*Spatial-weighting matrices are stored in spatial-weighting matrix objects (spmat objects).
*spmat objects contain additional information about the data used in constructing spatial-weighting matrices.
*spmat objects are used in fitting spatial models; see spreg (if installed) and spivreg (if installed). *idistance:(产生距离矩阵)create an spmat object containing an inverse-distance matrix W
*或contiguity:create an spmat object containing a contiguity matrix W
*idistance_jingdu:命名名称为“idistance_jingdu”的距離矩陣
*longitude:使用经度
*latitude:使用纬度
*id(id):使用id
*dfunction(function[, miles]):(设置计算距离方法)specify the distance function.
*function may be one of euclidean (default), dhaversine, rhaversine, or the Minkowski distance
of order p, where p is an integer greater than or equal to 1.
*normalize(row):（行标准化）specifies one of the three available normalization techniques: row, minmax, and spectral.
*In a row-normalized matrix, each element in row i is divided by the sum of row i's elements.
*In a minmax-normalized matrix, each element is divided by the minimum of the largest row sum and column sum of the matrix.
*In a spectral-normalized matrix, each element is divided by the modulus of the largest eigenvalue of the matrix.
spmat idistance idistance_jingdu longitude latitude, id(id) dfunction(euclidean) normalize(row)
**保存stata可读文件idistance_jingdu.spmat
spmat save idistance_jingdu using idistance_jingdu.spmat
**将刚刚保存的idistance_jingdu.spmat文件转化为txt文件
spmat export idistance_jingdu using idistance_jingdu.txt
**生成相邻矩阵
spmat contiguity contiguity_jingdu using coord, id(id) normalize(row)
spmat save contiguity_jingdu using contiguity_jingdu.spmat
spmat export contiguity_jingdu using contiguity_jingdu.txt
**计算Moran’s I
*安装spatwmat
*spatwmat:用于定义空间权重矩阵
*spatwmat:imports or generates the spatial weights matrices required by spatgsa, spatlsa, spatdiag, and spatreg.
*As an option, spatwmat also generates the eigenvalues matrix required by spatreg.
*name(W):读取空间权重矩阵W
*name(W):使用生成的空间权重矩阵W
*xcoord:x坐标
*ycoord:y坐标
*band(0 8):宽窗介绍
*band(numlist) is required if option using filename is not specified.
*It specifies the lower and upper bounds of the distance band within which location pairs must be considered "neighbors" (i.e., spatially contiguous)
*and, therefore, assigned a nonzero spatial weight.
*binary:requests that a binary weights matrix be generated. To this aim, all nonzero spatial weights are set to 1.
spatwmat, name(W) xcoord(longitude) ycoord(latitude) band(0 8)
*安装绘制Moran’s I工具:splagvar
*splagvar --- Generates spatially lagged variables, constructs the Moran scatter plot,
*and calculates global Moran's I statistics.
*_2016GDP：使用变量_2016GDP
*wname(W):使用空间权重矩阵W
*indicate the name of the spatial weights matrix to be used
*wfrom(Stata):indicate source of the spatial weights matrix
*wfrom(Stata | Mata) indicates whether the spatial weights matrix is a Stata matrix loaded in memory or a Mata file located in the working directory.
*If the spatial weights matrix had been created using spwmatrix it should exist as a Stata matrix or as a Mata file.
*moran(_2016GDP):计算变量_2016GDP的Moran's I值
*plot(_2016GDP):构建变量_2016GDPMoran散点图
splagvar _2016GDP, wname(W) wfrom(Stata) moran(_2016GDP) plot(_2016GDP)
**使用距离矩阵计算空间计量模型
*设置默认路径
cd D:\软件学习软件资料\stata\stata指导书籍命令\陈强高级计量经济学及stata应用（第二版）全部数据
*使用product.dta数据集（陈强的高级计量经济学及其stata应用P594）
*将数据集product.dta存入当前工作路径
use product.dta , clear
*创建新变量，对原有部分变量取对数
gen lngsp=log(gsp)
gen lnpcap=log(pcap)
gen lnpc=log(pc)
gen lnemp=log(emp)
*将空间权重矩阵usaww.spat存入当前工作路径
spmat use usaww using usaww.spmat
*使用聚类稳健的标准误估计随机效应的SDM模型
xsmle lngsp lnpcap lnpc lnemp unemp,wmat(usaww) model(sdm)robust nolog
*使用选择项durbin(lnemp)，不选择不显著的变量，使用聚类稳健的标准误估计随机效应的SDM模型
xsmle lngsp lnpcap lnpc lnemp unemp,wmat(usaww) model(sdm) durbin(lnemp) robust nolog noeffects
*使用选择项durbin(lnemp)，不选择不显著的变量，使用聚类稳健的标准误估计固定效应的SDM模型
xsmle lngsp lnpcap lnpc lnemp unemp,wmat(usaww) model(sdm) durbin(lnemp) robust nolog noeffects fe
*存储随机效应和固定效应结果
qui xsmle lngsp lnpcap lnpc lnemp unemp,wmat(usaww) model(sdm) durbin(lnemp) r2 nolog noeffects re
est sto re
qui xsmle lngsp lnpcap lnpc lnemp unemp,wmat(usaww) model(sdm) durbin(lnemp) r2 nolog noeffects fe
est sto fe
*esttab:将保存的结果汇总到一张表格中
*b(fmt):specify format for point estimates
*beta[(fmt)]:display beta coefficients instead of point est's
*se[(fmt)]:display standard errors instead of t statistics
*star( * 0.1 ** 0.05 *** 0.01):标记不同显著性水平对应的P值
*r2|ar2|pr2[(fmt)]:display (adjusted, pseudo) R-squared
*p[(fmt)]:display p-values instead of t statistics
*label:make use of variable labels
*title(string):specify a title for the table
esttab fe re , b se r2 star( * 0.1 ** 0.05 *** 0.01)
*hausman检验
*进行hausman检验前，回归中没有使用稳健标准误(没用“r”),
*是因为传统的豪斯曼检验建立在同方差的前提下
*constant:include estimated intercepts in comparison; default is to exclude
*df(#):use # degrees of freedom
*sigmamore:base both (co)variance matrices on disturbance variance estimate from efficient estimator
*sigmaless:base both (co)variance matrices on disturbance variance estimate from consistent estimator
hausman fe re
**有时我们还会得到负的chi2值,即chi2<0，表明模型不能满足Hausman检验的渐近假设。产生这些情况的原因可能有多种，
*但我认为一个主要的原因是我们的模型设定有问题，导致Hausman 检验的基本假设得不到满足。
*这时，我们最好先对模型的设定进行分析，看看是否有遗漏变量的问题，或者某些变量是非平稳的等等。
*在确定模型的设定没有问题的情况下再进行Hausman 检验，如果仍然拒绝原假设或是出现上面的问题，
*那么我们就认为随机效应模型的基本假设（个体效应与解释变量不相关）得不到满足。*此时，需要采用工具变量法或是使用固定效应模型。
*连玉君（论文（2014）：Hausman检验统计量有效性的Monte Carlo模拟分析）
*研究了hausman检验统计量的小样本性质，结果表明，
*内生性问题（解释变量与个体效应相关）是导致hausman统计量出现负值的主要原因，*进一步分析表明，修正后的hausman统计量，以及过度识别检验方法能够很好地克服上述缺陷，
*且具有很好的有限样本性质。
*陈强（高级计量经济学及其stata应用P153）介绍工具变量法与豪斯曼的stata命令及实例qui reg lw iq s expr tenure rns smsa
est sto ols
qui ivregress 2sls lw s expr tenure rns smsa (iq=med kww)
est sto iv
hausman iv o ls, constant sigmamore
*由于传统的豪斯曼检验在异方差的情形下不成立，故进行异方差稳健的DWH检验，estat endogenous
*使用ivreg2检验选择的工具变量是否为内生解释变量
ivreg2 lw s expr tenure rns smsa (iq=med kww),r endog(iq)
*endog(iq)表示检验变量iq是否为内生变量
*若果存在异方差，则GMM比2SLS更有效率，故进行最优GMM估计
ivregress gmm lw s expr tenure rns smsa (iq=med kww)
*进行过度识别检验
estat overid
*若P值不显著，则认为所有工具变量均为外生。
*接下来考虑迭代GMM
ivregress gmm lw s expr tenure rns smsa (iq=med kww),igmm
*(迭代GMM与两步GMM的系数估计值相差无几)
利用STATA创建空间权重矩阵及空间杜宾模型计算命令
** 创建空间权重矩阵介绍 *设置默认路径 cd C:\Users\xiubo\Desktop\F182013.v4\F101994\sheng **创建新文件 *shp2dta:reads a shape (.shp) and dbase (.dbf) file from disk and converts them into Stata datasets. *shp2dta:读取CHN_adm1文件 *CHN_adm1：为已有的地图文件 *database (chinaprovince)：表示创建一个名称为“chinaprovince”的dBase数据集 *database(filename)：Specifies filename of new dBase dataset *coordinates(coord)：创建一个名称为“coord”的坐标系数据集 *coordinates(filename)：Specifies filename of new coordinates dataset *gencentroids(stub)：Creates centroid variables *genid(newvarname)：Creates unique id variable for database.dta shp2dta using CHN_adm1,database (chinaprovince) coordinates(coord) genid(id) gencentroids(c) **绘制2016年中國GDP分布圖 *spmap:Visualization of spatial data *clnumber(#):number of classes *id(idvar):base map polygon identifier(识别符，声明变量名，一般以字母或下划线开头，包含数字、字母、下划线) *_2016GDP：变量 *coord:之前创建的坐标系数据集 spmap _2016GDP using coord, id(id) clnumber(5) *更改变量名 rename x_c longitude rename y_c latitude **生成距离矩阵 *spmat:用于定义与管理空间权重矩阵 *Spatial-weighting matrices are stored in spatial-weighting matrix objects (spmat objects). *spmat objects contain additional information about the data used in constructing spatial-weighting matrices. *spmat objects are used in fitting spatial models; see spreg (if installed) and spivreg (if installed). *idistance:(产生距离矩阵)create an spmat object containing an inverse-distance matrix W *或contiguity:create an spmat object containing a contiguity matrix W *idistance_jingdu:命名名称为“idistance_jingdu”的距離矩陣 *longitude:使用经度 *latitude:使用纬度 *id(id):使用id
【计量】空间杜宾模型代码
空间杜宾模型stata代码 clear all cd "F:\stata14\ado\mydo\agglo" **调入权重矩阵 use Wqiantaoinver.dta, clear keep s* save "W2.dta" ,replace **矩阵转换为stata应用格式 spatwmat using W2, name(W)standardize matrix list W ***调入数据 use data11.21.dta, clear *对数生成 gen lnii=ln(ii) gen lnp=ln(p) gen lna=ln(a) gen lnt=ln(t) gen lnc=ln(c) *设定面板数据格式 xtset id year **变量描述性统计 local x " ii c p a t" //5个变量 tabstat `x', s(mean sd min p25 p50 p75 max) /// format(%6.4f) c(s) *****(2)estimation ****SDM estimation（个体固定ind） //Spatial Durbin model (SDM) xsmle lnii lnc lnp lna lnt, wmat(W) model(sdm) fe type(ind) nsim(500) nolog effects est store M_sptial //不要加入c三次方lna_2,使用第三产业，加入c_lng交乘项 estat ic //AIC BIC test //Spatial Durbin model （时间固定time） xsmle lnii lnc lnp lna lnt, wmat(W) model(sdm) fe type(time) nsim(500) nolog effects est store M_time estat ic //Spatial Durbin model（双固定，both） xsmle lnii lnc lnp lna lnt , wmat(W) model(sdm) fe type(both) nsim(500) nolog effects est store M_both estat ic **结果汇总列表显示 local m "M_sptial M_time M_both" esttab `m', mtitle(`m') nogap s(r2 ll aic bic N ) ///
地理溢出视角下我国物流产业全要素生产率分析
地理溢出视角下我国物流产业全要素生产率分析 王霞 内容摘要：物流业是支撑社会经济发展的重要产业，物流业越发达，市场经济便越繁荣，因此物流产业可以被视作经济增长的“润滑剂”和“加速器”，其重要作用引起了我国政府的高度关注。因此，本文基于物流产业的发展现状，通过构建杜宾模型来对我国物流产业全要素生产率进行研究，以期为我国物流产业发展提供针对性建议。结果表明：我国相邻区域之间的物流产业全要素生产率存在正相关关系；中、西部地区的物流产业生产率较低，缺少发达地区为其提供的推动力；人力资本与信息技术对物流产业全要素生产率的影响效果与交通基础设施相比更加显著；我国物流产业生产率存在显著的空间竞争效应。 关键词：物流产业全要素生产率杜宾模型溢出效应 在我国经济增长的过程中，物流产业在我国市场经济中的地位越来越重要。随着物流产业的高速发展，其对环境的影响也愈发显著，在人们的物质需求逐步增强的同时，物流产业对环境能源的消耗也逐渐增大。为了能够解决物流产业发展与环境能源消耗之间的矛盾，对不同地区的物流产业全要素生产率的分析尤为重要。目前，国内外对物流产业全要素生产率已有大量研究，然而这部分研究均采用了传统形式的DEA模型，并没有将外界影响因素及误差纳入考虑范围，这不免导致检验结果出现一定偏差。因此，本文基于物流产业的发展现状，通过建立空间计量模型，以地理溢出效应为研究方向，对我国物流产业全要素生产率进行系统分析，对物流产业全要素生产率的各种影响因素进行检验，进而更加全面地反映出我国不同地区物流产业全要素生产率的特征与实况，为我国物流产业的发展提供理论支持。 基于地理溢出视角的理论分析 （一）基础设施及地理溢出效应 公共区域的基础设施对当地和周边地区全要素生产率的影响机制比较复杂，可能是积极影响，也可能为消极的影响。以交通基础设施为例，不同地区的交通基础设施相互构成网状，每个区域的经济活动均在网状交通基础设施的覆盖范围之内。增加交通基础设施的建设，可以减少地区之间的运输成本，增加地区之间的交流频率。增加交通基础设施的投入成本，可以显著提高该地区交通的便利性，使得该地区的发展速度高于周边地区，如果与其相邻地区在交通基础设施中的投入成本相对较低，则该地区的生产要素将会显著聚集，最终具有交通基础设施优势的地区对其周边地区的生产率的升高起到阻碍作用，即形成了负向溢出效应。（二）人力资本及地理溢出效应 人力资本作为经济发展的操纵者，可以通过调控周边地区的全要素生产率来促进该地区的经济发展，人力资本与地区经济的发展呈现正相关性。人力资本投入的提高可以加快劳动者的工作效率，进而促使全要素生产率的升高，同时，以人力资本为载体来进行技术与经验的传播，可以扩大地区的经济规模，为全要素生产率的提高提供推动力。研发对促进地区科技的进步和提高全要素生产率具有十分重要的作用，研发和人力资本是影响全要素生产率高低的两大因素，研发在提高企业技术和生产效率的同时，可以促进该地区商品的流通速度、技术交流，提高该地区的人员分配，因此研发与人力资本具有显著的地理溢出效应。 模型构建与分析 （一）变量选取及数据来源 本文选取我国2002-2016年31個省市的物流业的资产、在岗职工人数、物流产业能耗量作为自变量，将周转量视为预期产出，物流产业的废气产出量为非预期产出，通过DEA距离函数求得物流产业全要素生产率，同时将生产率作为本文所采用模型的自变量，其中自变量主要包含两个因素，即基础设施和人力资本。
空间计量经济学模型归纳
空间计量经济学模型 空间相关性是指 () ,i j y f y i j =≠即i y 与j y 相关 模型可表示为() (),1i j j i i y f y x i j βε=++≠ 其中，()f g 为线性函数，(1)式的具体形式为 () ()2,0,2i ij j i i i i j y a y x N βεεδ≠=++∑: 如果只考虑应变量空间相关性，则(2)式变为(3)式 ()()21 ,0,,1,2...3n i ij j i i i y W y N i n ρεεδ==+=∑: 式中 1 n ij j i W y =∑为空间滞后算子，ij W 为维空间权重矩阵n n W ?中的元素，ρ为待估的空间自相 关系数。0ρ≠，存在空间效应 (3)式的矩阵形式为() ()21, 0,4u n y Wy N I ρεδ?=: (4)式称为一阶空间自回归模型，记为FAR 模型 当在模型中引入一系列解释变量X 时，形式如下 () ()2,0,5n y Wy X N I ρβεεδ=++: (5)式称为空间自回归模型，记为SAR 模型 当个体间的空间效应体现在模型扰动项时有 () ()21,,0,6u n y X u u Wu N I βλεδ?=+=: （6）式成为空间误差模型，记为SEM 模型 当应变量与扰动项均存在空间相关时有 () ()2121,,0,7u n y W y X u u W u N I ρβλεεδ?=++=+: （7）式称为一般空间模型，记为SAC 模型 当0X =且20W =时，SAC →FAR ；当20W =时，SAC →SAR 当10W =时，SAC →SEM
出口与我国全要素生产率增长的关系——基于空间杜宾模型
出口与我国全要素生产率增长的关系——基于空间杜 宾模型 《国际贸易问题》7><2013年第5期经贸论坛出口与我国全要素生产率增长的关系——基于空间杜宾模型叶明确方莹摘要：本文基于出口内生增长模型，考虑技术和知识的空间依赖性以及出口的溢出效应，构建了空间杜宾模型，对出口与我国全要素生产率增长的关系进行了研究。结果发现，出口额对本地区的全要素生产率增长没有显著的影响，但对其他地区的全要素生产率增长产生了促进作用，对所有地区的全要素生产率增长也有促进作用。为了更加精确地分析出口与我国全要素生产率增长的关系，本文运用面板数据分位数回归方法。结果发现，当全要素生产率较低时，由于吸收能力较弱，出口贸易带来的各种效应没有产生显著的影响；当全要素生产率较高时，由于我国的出口贸易方式还是“粗放型”，对全要素生产率的影响也不显著；只有当全要素生产率大小与出口贸易方式相匹配时，出口贸易才会对全要素生产率增长产生显著的促进作用。关键词：出口贸易；全要素生产率；空间杜宾模型；分位数回归一、引言自改革开放以来，我国的对外贸易取得了快速的发展。从出口贸易的绝对量来看，1978年的出口总额为167.6亿元，到<2010年达到了1070<2<2.8亿元，年均增长率为<23.53%；从出口贸易的相对量来看，1978年出口总额占GDP的比值（即外贸依存度）为4.60%，到<2010年达到了<23.74%，外贸依存度提高了4倍以上。对外贸易的迅猛发展在很大程度上拉动了我国经济的增长，1978年GDP为3645.<2亿元，到<2010年上升到401<20<2.0亿元，年均增长率为10.06%。对外贸易与经济增长的关系一直以来是国际贸易中的核心问题。自古典贸易理论产生以来，强调了国际贸易能使分工专业化，最终将促使一国的财富增加。因此，国内外学者开始从理论转向实证，对出口与经济增长的关系进行了大量的实证研究，如Balassa（1978），Falvey（<2004），林毅夫、李勇军（<2001），吕惠娟、许小平（<2003）等。随
对外贸易对我国省级经济增长的影响——基于空间杜宾模型的实证研究
Statistics and Application 统计学与应用, 2017, 6(2), 156-164 Published Online June 2017 in Hans. https://www.wendangku.net/doc/251321931.html,/journal/sa https://https://www.wendangku.net/doc/251321931.html,/10.12677/sa.2017.62018 The Effect of China’s Foreign Trade on Provincial Economic Growth —An Empirical Research Based on the Spatial Durbin Model Zhaoyun Gu, Huiguo Zhang, Xijian Hu College of Mathematics and System Science, Xinjiang University, Urumqi Xinjiang Received: May 19th, 2017; accepted: Jun. 15th, 2017; published: Jun. 19th, 2017 Abstract In this paper, the spatial panel data model is used to analyze the relationship between the foreign trade and provincial economic growth. The results show that: The economics of the provinces has the agglomeration effect and the economic development of the province will drive the economy of the surrounding provinces. The growth of exports can promote the economic growth, but the im-port can hamper the development of economy, and the positive effect of the export to the economy is more than the hindrance of the import to the economy. Keywords Foreign Trade, Economic Growth, Spatial Panel Model, Spillover Effect, Indirect Effect 对外贸易对我国省级经济增长的影响 ——基于空间杜宾模型的实证研究 顾召云，张辉国，胡锡健 新疆大学数学与系统科学学院，新疆乌鲁木齐 收稿日期：2017年5月19日；录用日期：2017年6月15日；发布日期：2017年6月19日 摘要 本文运用空间面板数据模型，分析我国各省市对外贸易与经济增长的关系。研究结果表明：各省的经济文章引用:顾召云, 张辉国, 胡锡健. 对外贸易对我国省级经济增长的影响——基于空间杜宾模型的实证研究[J]. 统
基于空间杜宾模型的人口老龄化时空研究
基于空间杜宾模型的人口老龄化时空研究 张丽 (山东政法学院商学院,山东济南250014) [摘要]文章以2000-2018年、2000-2010年山东省及17地级市的人口、经济等数据为基础,运用Geoda软件、MAT-LAB软件,计算Moran’s I指数、空间杜宾模型(SDM),分析了经济水平、医疗服务、教育水平等六个因素对17地级市老龄化指数的空间效应。研究表明,山东省老化系数呈上升趋势且增长速度加快;老龄化指数明显东高西低、北高南低的空间格局没有出现明显改变;老龄化指数存在显著空间滞后性;经济水平、社会医疗水平和城市化水平的提高均能显著正向影响老龄化指数;人口自然增长率、人口出生率、城市化率的滞后因素对老龄化指数有显著的正效应;社会医疗服务水平对本地区与周边城市的老龄化指数具有显著溢出效应。 [关键词]人口老龄化;山东省地级市;时空;空间杜宾模型 中图分类号:F293.1文献标识码:A文章编号:1008-6609(2019)04-0012-05 1引言 随着经济、社会的发展,世界各国普遍出现人口老龄化趋势。而我国早在2000年六十岁以上老年人口占总人口比重已经达到10.93%,2014年更是达到了15.5%,远远超过了世界卫生组织(WHO)定义的老龄化社会的临界值10%。根据世界卫生组织的预测,2050年的中国将成为世界上老龄化最严重的国家。我国人口老龄化问题直接影响经济发展、劳动力供给水平、城市化建设等问题。另外,我国各地区的人口老龄化发展在空间与时间上均呈现非均衡的趋势。因此,研究我国老龄化发展在空间与时间上分布的地区非均衡现状和影响因素,能够为我国地方政府制定人口相关政策提供有价值的实证结果和建议,也有利于进一步改善人口老龄化的地区非均衡现状,促进不同区域经济的可持续发展。 国内外学者对老龄化发展的空间和时间分布的研究做出了较为丰富的成果,主要集中在分析人口老龄化空间的区域间差异与区域内差异。例如,以省域为单元,以老年人口比重、老年人口密度、老龄化程度、老龄化速度,研究我国东中西三大地区的老龄化差异[1],或者分析中、日、美、韩四国的省域老龄化区域差异,并分析其演变特征[2,3]。以县域为研究单元,以标准差椭圆、地理探测器等方法,分析我国人口老龄化的区域差异[4]。计算具体省份在市域、县域尺度上的老龄化空间关联指数、变差函数等,研究老龄化人口的空间分布[5],或者以县域、乡镇、街道为尺度,计算市域的老龄化全局和局部空间关联指数、半变异函数、重心等,研究人口的空间分布问题[6-8]。 人口老龄化与多种因素密切相关,与人口出生率、死亡率存在直接影响关系,社会公共健康水平、教育事业发展、经济水平与老龄化现象有相关性[9]。其中经济水平和人口老龄化存在同步现象[10];社会公共服务水平越高,老年人群享受到的人力、物力、财力的保障就越多;教育水平的发展影响我国西部地区的老龄化、城市化水平显著影响我国中西部地区的老龄化[11];人口自然增长率和人口出生率直接影响到人口的老龄化指数。人口老龄化与人口死亡率、人口出生率、社会健康保障水平、城市化水平等之间存在的关系异常复杂,尤其是不同区域之间城市化、社会保障水平等的空间滞后或者空间溢出效应必然会影响到区域内与区域间的人口老龄化变化。因此,如何深入分析不同人口尺度下的人口老龄化与社会、经济等因素及其空间滞后因素的空间关系至关重要。 然而,目前的相关研究成果较少。主要是利用多元线性回归方法和径向基神经网络模型,研究省域老龄化与经济水平、社会公共健康水平、教育水平、人口出生率、死亡率之间的关系,并预测省域老龄化的发展[12],或者采用地理加权回归模型 作者简介:张丽(1980-),女,山东济南人,博士,副教授,研究方向为非线性控制理论及其在经济学中的应用。 基金项目:山东省社会科学规划研究项目“人口结构的时空变化特征及其对山东经济增长的非线性影响分析与对策建议”,项目编号:17CJJJ16;山东政法学院经济发展与数据科学协同创新团队;山东省社会科学基金新旧动能转换研究专题“山东省新产业、新业态生产效率的时空评价机制研究”,项目编号:19CDNJ37。 电脑与电信· -12-
不同空间权重矩阵在疟疾空间分布模式分析中的探讨
不同空间权重矩阵在疟疾空间分布模式分析中的探讨苏茜1,冯子健2,蒋敏1,李晓松1,刘世安1,万华1 【摘要】 目的 探索不同空间权重矩阵在疟疾发病的空间自相关性以及空间分布模式中的适用性及其应用价值。方法 采用Queen权重、距离阈值权重、K最邻近点权重生成不同的空间权重矩阵,应用G eoDa和R软件对疟疾的全局和局域空间自相关模式进行分析。结果 3种权重矩阵均显示2005-2007年云南疟疾全局Moran’sⅠ系数有统计学意义,2006年聚集性最强;局域显示3年均存在滇西部的“正热点”区域,2007年新增西北部“正热点”,部分“负热点”随着发病扩散逐渐有高发病趋势;全局Moran’sⅠ系数在最小距离阈值和K=3时取最大值,探测热点时距离阈值权重更易使聚集区域扩大,K最邻近点权重不容易发现低值聚集。结论 应用不同的空间权重矩阵得到的热点区域存在一定差异,结合不同的空间权重矩阵进行分析,有助于加深对疟疾发病空间分布模式和流行蔓延趋势的认识。 【关键词】 疟疾;空间自相关;空间权重矩阵 【中图分类号】R181;R531.3 【文献标识码】A 【文章编号】167423679(2010)0520419202 An analysis of spatial distribution pattern of m alaria using different spatial w eight m atrixes SU Qian1,FEN G Z i2jian2,J IAN G Min1,L I Xiao2song1,L IU Shi2an1,WAN Hua1. 1.Depart ment of Biostatistics,School of West China Public Health,Sichuan U niversity,Chengdu 610041,China; 2.Chinese Center f or Disease Cont rol and Prevention,Beijing 102206,China 【Abstract】 Objective To analyze the spatial autocorrelation and to explore the spatial distribution pat2 tern of malaria using different spatial weight matrixes.Methods Based on Queen weight matrix, threshold weight matrix and K2nearest neighbor weight matrix,the spatial autocorrelation was carried out by G eoDa0.9.52i and R2.7.2software.R esults The three weight matrixes showed that the global Moran’sⅠcoefficient was the largest in2006,the statistic showed that there was a high2value cluster region in the west of Yunnan in the three continuous years,and a new high2value cluster region in the west2north,some low2value cluster regions had a trend of high incidence.The global Moran’sⅠcoeffi2 cient had the largest value while the smallest threshold and K=3.The threshold weight tended to detect more cluster regions,and K2nearest neighbor weight was not good at detecting low2value cluster regions. Conclusions The cluster regions were different when using different weight https://www.wendangku.net/doc/251321931.html,bining dif2 ferent weight matrixes to do spatial autocorrelation analysis can explore the spatial distribution of malaria and provide theoretical basis for further prevention and control. 【K ey w ords】 Malaria;Spatial autocorrelation;Spatial weight matrixes (Chin J Dis Cont rol Prev2010,14(5):4192422) 疟疾是通过按蚊叮咬传播疟原虫引起的寄生虫病。云南省是我国疟疾主要流行区,多年来发病数和死亡数一直居全国之首(仅2005年次于安徽省),也是该省10种自然疫源性疾病中发病最重的一种 【基金项目】国家卫生公益性行业科研专项项目(200802133);教育部科学技术研究重点项目 (109135) 【作者单位】1四川大学华西公共卫生学院卫生统计学教研室,四川成都 610041 2中国疾病预防控制中心,北京 102206 【作者简介】苏茜(1984-),女,四川巴中人,在读硕士研究生。主要研究方向:统计方法在流行病学中的 应用。 【通讯作者】李晓松,E2mail:lixiaosong1101@https://www.wendangku.net/doc/251321931.html, (占1999-2008年间10种疾病发病总数的93.23%)[1]。云南作为旅游大省,共有12个国家一类口岸,流动人口数量众多,主要疟区普遍存在适宜媒介传播疟疾的自然条件,在有传染源输入的情况下极易发生疟疾疫情回升[2],全省16个州(市)129个县(市)呈现的发病程度不一的空间分布模式也可能发生相应变化。 空间自相关分析技术用于对同一变量在不同空间位点的值进行相关性分析,寻找出观察变量是否具有地域聚集性,而疾病的地域聚集性大小可反映出疾病的分布规律、流行趋势及其相关因素[3]。疟疾分布与气象、土壤以及当地的经济和社会因素(人
利用STATA创建空间权重矩阵及空间杜宾模型计算命令0001
**创建空间权重矩阵介绍 气殳置默认路径 cd C:\Users\xiubo\Desktop\F182013.v4\F101994\sheng "创建新文件 *shp2dta:reads a shape (.shp) and dbase (.dbf) file from disk and converts them into Stata datasets ?*shp2dta:读取CHN_adml 文件 ?CHN^adml：为已有的地图文件 *database {chinaprovince)：表示创建一个需称为u chinaprovince °的dBase 数据集 *database(filename)： Specifies filename of new dBase dataset *coordinates(coord)：创建一个称为“coord”的坐标系数据集 *coordinates(file name)： Specifies file name of new coordi nates dataset *gencentroids(stub)： Creates centroid variables *genid(newvarname)： Creates unique id variable for database.dta shp2dta using CHN_adml z database (chinaprovince) coordinates(coord) genid(id) gencentroids(c) "绘制2016年中國GDP分布圖 *spmap:Visualization of spatial data *clnumber(#):number of classes *id(idvar):base map polygon identifierf识别符，声明变量名，一般以字母:或卞划线开头，包含数字、字母、下划线) ?_2016GDP：变量 *coord:之前创建的坐标系数据集 spmap _2016GDP using coord, id(id) clnumber(5) *更改变虽:名 rename x_c Iongitude rename y_c latitude