贝叶斯空间计量模型Word文件下载.docx
《贝叶斯空间计量模型Word文件下载.docx》由会员分享，可在线阅读，更多相关《贝叶斯空间计量模型Word文件下载.docx（7页珍藏版）》请在冰豆网上搜索。
采用MCMC（MarkovChainMonteCarlo）参数估计思想，具体的抽样方法选择吉布斯抽样方法（Gibbssamplingapproach）
在随意给定待估参数一个初始值之后，开始生成参数的新数值，并根据新数值生成其他参数的新数值，如此往复，对每一个待估参数，将得到一组生成的数值，根据该组数值，计算其均值，即为待估参数的贝叶斯估计值。
三、贝叶斯空间计量模型的类型
空间自回归模型far_g（）
空间滞后模型（空间回归自回归混合模型）sar_g（）
空间误差模型sem_g（）
广义空间模型（空间自相关模型）sac_g（）
四、贝叶斯空间模型与普通空间模型的选择标准
首先按照参数显著性，以及极大似然值，确定普通空间计量模型的具体类型，之后对于该确定的类型，再判断是否需要进一步采用贝叶斯估计方法。
标准一：
对普通空间计量模型的残差项做图，观察参数项是否是正态分布，若非正态分布，则考虑使用贝叶斯方法估计。
技巧：
r=30的贝叶斯估计等价于普通空间计量模型估计，此时可以做出v的分布图，观察其是否基本等于1，若否，则应采用贝叶斯估计方法。
标准二：
若按标准一发现存在异方差，采用贝叶斯估计后，如果参数结果与普通空间计量方法存在较大差异，则说明采用贝叶斯估计是必要的。
例1：
选举投票率普通SAR与贝叶斯SAR对比：
loadelect.dat;
loadford.dat;
y=elect（:
7）./elect（:
8）;
x1=elect（:
9）./elect（:
x2=elect（:
10）./elect（:
x3=elect（:
11）./elect（:
w=sparse（ford（:
1）,ford（:
2）,ford（:
3））;
x=[ones（3107,1）x1x2x3];
res1=sar（y,x,w）;
res2=sar_g（y,x,w,2100,100）;
Vnames=strvcat（‘voter’,’const’,‘educ’,‘home’,‘income’）;
prt（res1）;
prt（res2）;
SpatialautoregressiveModelEstimates
DependentVariable=voter
R-squared=0.4605
Rbar-squared=0.4600
sigma^2=0.0041
Nobs,Nvars=3107,4
log-likelihood=5091.6196
#ofiterations=11
minandmaxrho=-1.0000,1.0000
totaltimeinsecs=1.0530
timeforlndet=0.2330
timefort-stats=0.0220
timeforx-impacts=0.7380
#drawsx-impacts=1000
PaceandBarry,1999MClndetapproximationused
orderforMCappr=50
iterforMCappr=30
VariableCoefficientAsymptott-statz-probability
const-0.100304-8.4062990.000000
educ0.33570421.9010990.000000
home0.75406028.2122110.000000
income-0.008135-8.5352120.000000
rho0.527962335.7243590.000000
检验是否存在异方差---------是否存在遗漏变量：
贝叶斯----------对列向量做柱状图。
bar（res.vmean）;
Bayesianspatialautoregressivemodel
Heteroscedasticmodel
R-squared=0.4425
Rbar-squared=0.4419
meanofsigedraws=0.0023
sige,epe/（n-k）=0.0065
r-value=4
ndraws,nomit=2100,100
totaltimeinsecs=20.6420
timeforlndet=0.2370
timeforsampling=19.2790
PosteriorEstimates
VariableCoefficientStdDeviationp-level
const-0.1078630.0127290.000000
educ0.3484160.0180720.000000
home0.7277990.0264160.000000
income-0.0096030.0010500.000000
rho0.5610540.0133130.000000
对遗漏变量的测量：
lat=elect（:
5）;
lon=elect（:
6）;
[lonsli]=sort（lon）;
lats=lat（li,1）;
elects=elect（li,:
）;
y=elects（:
7）./elects（:
x1=elects（:
9）./elects（:
x2=elecrs（:
10）./elects（:
x2=elects（:
x3=elects（:
11）./elects（:
[w1ww2]=xy2cont（lons,lats）;
vnames=strvcat（'
voters'
'
const'
educ'
home'
income'
res=sar（y,x,w,2100,100）;
res=sar_g（y,x,w,2100,100）;
prt（res,vnames）;
DependentVariable=voters
R-squared=0.4402
Rbar-squared=0.4396
meanofsigedraws=0.0022
totaltimeinsecs=20.3230
timeforlndet=0.2460
timeforsampling=18.9770
***************************************************************
const-0.1331820.0126330.000000
educ0.3006530.0179860.000000
home0.7252020.0259440.000000
income-0.0082190.0010090.000000
rho0.6284070.0141160.000000
例2：
elect数据
2个权重矩阵-----W1W2
W2=slag（W1，2）bressar（sem/sac）_g
SAR（2个）SEM（2个）SAC（4个）
普通*贝叶斯共计16个模型
（注：
可对变量统一取对数）
升级会员 