请问楼主最后怎么解决这个问题的

我也遇到同样问题，求助怎么解决的，最后是根据LM检验的结果选择模型吗？

貌似杜宾是最放松的模型了，基本论文报告杜宾都是okay的，除非有些别的特殊考虑

您好，我的结果和您的一样，请问你最后怎么处理了呢？选择空间杜宾模型了吗？

请问您最终怎么解决的呢？选择空间杜宾模型了吗？

您好，请问您最后用了空间杜宾模型了吗？

同问，楼主这个问题解决了吗，我也出现了这个问题

从你的结果看，空间误差模型（Spatial Error Model）的Moran's I和Lagrange multiplier以及Robust Lagrange multiplier都显示非常显著，这表明你的数据存在明显的空间自相关性。然而，在空间滞后模型（Spatial Lag Model）中，虽然Lagrange multiplier是显著的，但Robust Lagrange multiplier却不显著。

尽管如此，这并不意味着你不能使用空间杜宾模型（SDM - Spatial Durbin Model）。空间杜宾模型是一种同时考虑了空间滞后和误差项的空间自相关的模型。即使在Robust LM lag检验不显著的情况下，如果其他条件符合（例如，你的变量之间存在空间相关性），并且理论或先验知识支持使用空间效应，你仍可以尝试SDM。

不过，在进行模型选择时，我们通常建议：
1. 检查并理解数据的空间依赖结构。
2. 依据LM tests的结果，如果LM lag显著，考虑使用空间滞后模型。如果LM error显著，考虑使用空间误差模型。
3. 如果两者都显著（或Robust Lagrange multiplier不显著但LM lag显著），可以尝试SDM。

在决定是否使用SDM之前，你可以尝试：
- 使用不同的邻接矩阵和权重来检查结果的稳健性
- 重新审视数据中的异常值、缺失值等可能影响模型选择的因素
- 如果理论和数据允许，考虑增加控制变量或改变模型规格

如果SDM的结果合理，并且优于其他空间模型（例如，通过比较AIC, BIC），那么使用SDM是合理的。但是，在实际应用中，要确保你对所使用的模型有充分的理解，并能够解释其结果。

关于“是否可以通过某种代码使其显著”，这实际上是不正确的思维方法。统计检验的显著性不是通过编程技巧达到的，而是由数据和模型本身的特性决定的。如果Robust LM lag测试在你的特定情况下并不显著，试图人为地使其显著通常是不可行且无意义的。更合理的做法是根据数据的真实情况选择最合适的分析策略。
  
最后，请记得检查所有空间模型的假设，并进行适当的诊断检验（如残差的空间自相关性）。

此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用