贝叶斯空间计量模型Word文件下载.docx

1、采用MCMC（Markov Chain Monte Carlo）参数估计思想，具体的抽样方法选择吉布斯抽样方法（Gibbs sampling approach）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

2、，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： load elect.dat; load ford.dat; y=ele

3、ct（:,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） x1 x2 x3; res1=sar（y,x,w）; res2=sar_g（y,x,w,2100,100）; Vnames=strvcat（voter,const, educ, home, income）; prt（res1）;prt（res2）;Spatial autoregressive Model

4、Estimates Dependent Variable = voter R-squared = 0.4605 Rbar-squared = 0.4600 sigma2 = 0.0041 Nobs, Nvars = 3107, 4 log-likelihood = 5091.6196 # of iterations = 11 min and max rho = -1.0000, 1.0000 total time in secs = 1.0530 time for lndet = 0.2330 time for t-stats = 0.0220 time for x-impacts = 0.7

5、380 # draws x-impacts = 1000 Pace and Barry, 1999 MC lndet approximation used order for MC appr = 50 iter for MC appr = 30 Variable Coefficient Asymptot t-stat z-probability const -0.100304 -8.406299 0.000000 educ 0.335704 21.901099 0.000000 home 0.754060 28.212211 0.000000 income -0.008135 -8.53521

6、2 0.000000 rho 0.527962 335.724359 0.000000 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）;Bayesian spatial autoregressive model Heteroscedastic model R-squared = 0.4425 Rbar-squared = 0.4419 mean of sige draws = 0.0023 sige, epe/（n-k） = 0.0065 r-value = 4 ndraws,nomit = 2100, 100 total time in secs

7、 = 20.6420 time for lndet = 0.2370 time for sampling = 19.2790 Posterior Estimates Variable Coefficient Std Deviation p-level const -0.107863 0.012729 0.000000 educ 0.348416 0.018072 0.000000 home 0.727799 0.026416 0.000000 income -0.009603 0.001050 0.000000 rho 0.561054 0.013313 0.000000 对遗漏变量的测量：

8、lat=elect（:,5）;lon=elect（:,6）; lons li=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（: w1 w w2=xy2cont（lons,lats）; vnames=strvcat（voters,consteduchomeincome res=sar（y,x,w,2100,100）; res=sa

9、r_g（y,x,w,2100,100）; prt（res,vnames）;Dependent Variable = voters R-squared = 0.4402 Rbar-squared = 0.4396 mean of sige draws = 0.0022 total time in secs = 20.3230 time for lndet = 0.2460 time for sampling = 18.9770 *const -0.133182 0.012633 0.000000 educ 0.300653 0.017986 0.000000 home 0.725202 0.025944 0.000000 income -0.008219 0.001009 0.000000 rho 0.628407 0.014116 0.000000 例2：elect数据 2个权重矩阵-W1 W2W2=slag（W1，2） bres sar（sem/sac）_gSAR（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）