空间计量的第一道选择题不是模型，是 W：距离衰减参数取多少、几个 W 共用同一个参数还是各用各的。这个选择直接决定你报出来的直接效应与间接效应，尤其是间接效应——它往往是审稿人第一个追问的地方。

格罗宁根大学
J. Paul Elhorst 把这项研究的完整复现材料放到了 Harvard Dataverse（DOI: 10.7910/DVN/V9L9XC，2024 年 2 月 26 日存档，2024 年 8 月 5 日发布 v1.0），一个 10.8 MB 的 PAsubmissionR.zip，解压后 189 个条目、5 个顶层目录，模拟与实证的 R 代码、数据、结果表全部在内。下面按「先看包里有什么、再看代码怎么跑」的顺序拆。

五个顶层目录，分工很直接：

单看目录结构就能读出作者的组织逻辑：一个「估计」目录对应论文正文的实证表，一个「模拟」目录对应正文表 1 与附录 A，一个「补充模拟」目录对应附录 B，再加一份 Matlab 对照实现。这种「R 主实现＋Matlab 复核」的双份结构，在空间计量这类涉及大量矩阵运算的研究里是稳妥做法——两种语言的优化器与行列式计算方法不同，结果能对上才说明不是代码 bug。

数据集的摘要原文写得很清楚（本包为论文的复现材料）：

三句话拆开看：一是研究对象是空间杜宾模型（SDM），这是应用里最常用的设定；二是常规做法给所有 W 一个共同的衰减参数，本文改成每个 W 各有一个；三是衰减函数取两种形式——负指数（negative exponential）与逆距离（inverse distance）。

方法上的贡献是联合估计衰减参数与响应参数（joint estimation of the decay and response parameters），并用蒙特卡洛模拟检验其表现；实证部分用的是军事支出（military expenditures）数据。摘要最后一句是全文结论里最该记住的：

间接效应对参数化的选择特别敏感。这句话解释了为什么这篇论文值得复现：如果你的 W 是随手设的，间接效应的估计就可能是设定带来的，而不是数据里的。

实证主脚本是 PA_Table2_TableC1_Figure1.R（35 KB），它的开头几行就把依赖和流程交代了：先装/载 11 个包（splm、spdep、spatialreg、plm、nlme、nloptr、pracma、readxl、writexl、ggplot2、tidyverse、ggpubr），再 source 六个自写函数（spmlb.
R、spfemlb.
R、likelihoodsFE.
R、fixed_effects.
R、eval_f_psfe.
R、psfe_multi.R／psfe_same.
R、lldistance.
R）。

数据侧有三份 Excel：BC1_144.xlsx（144×144 二进制邻接矩阵）、datasetcow2015.xlsx（COW 项目面板数据，脚本注明沿用 Yesilyurt and Elhorst (2017) 的数据集）、coor.xlsx（国家坐标，用于算距离）；另有 worldcities.xlsx（约 1 MB）供城市层面距离计算。

脚本里有一段值得单独看：读入邻接矩阵后，作者手工把法国（第 45 列）、荷兰（92）、英国（136）、美国（137）与其他国家的若干相邻关系置零——因为海外领地或地理飞地会造成「跨洋相邻」的假连接。处理完再按行非零元素做行标准化（row standardization），得到 Wbasic。这一步是空间计量里最容易被忽略的细节：邻接矩阵不清理飞地，W 就带着结构性错误进入似然函数，后面所有效应分解都跟着错。

主脚本的其余部分是变量设定（kx = 5 个解释变量）、时间虚拟变量（用 kronecker 积构造，去掉最后一期）、缺失值处理（对 citizensmissing 在 Missing 标记下的对数化处理），然后调用各似然函数做估计。产出是 Table2 与 TableC1 的 txt，以及 Figure1 的 PDF。

六个函数的命名其实暴露了模型设定空间。psfe_multi.R／psfe_one.R／psfe_same.R 对应三种参数化：multiple（每个 W 各自一个衰减参数）、one（只用一个
W）、same（多个 W 共用一个参数）。likelihoodsFE.R（27 KB）是固定效应下的似然函数集合，fixed_effects.R 做组内变换去除个体效应，eval_f_psfe.R 是目标函数评估，lldistance.R 算对数似然所需的距离量，spfemlb.R（17 KB）与 spmlb.R 是空间面板的极大似然／LM 检验工具。

Empirical illustration Matlab 目录里能看到对应的 Matlab 版本，文件名把设定写进了名字：static_multi_alpha_loglik_Edist_me.m、static_one_alpha_loglik_Idist_rn.m、..._rhofixed.m 等等。规律是「设定（multi／one／same 与 rhofixed 与否）＋距离类型（Edist 负指数／Idist 逆距离）＋误差设定（me／rn）」。R 目录的四个模拟子目录 EX_RN／EX_SN／IN_RN／IN_SN 就是这套记法的另一套缩写（EX＝负指数、IN＝逆距离，RN／SN 区分随机系数或单一系数设定）。

如果只是想在自己的数据上跑一遍这套方法，最小的组合是：lldistance.R ＋ fixed_effects.R ＋ likelihoodsFE.R ＋ eval_f_psfe.R ＋ 一个 psfe_*.R，再按自己的 W 个数选 multi／same／one。

模拟主脚本是 PA_Table1_TableA1toA6.R（19.6 KB），另有一个 4.8 KB 的精简版 PA_Table1.R，外加 replica.R（7638 字节，控制重复次数）与 DataCollection.R（收集每次重复的结果）。

结果文件按参数组合命名，例如 Res_200_0.25_2_1.5_
3.RData、Res_200_0.5_2_1.5_
3.RData、Res_800_0.5_2_1.5_
3.RData——第一个数字是样本规模（200／800），后面几个是这个设定下的参数真值组合。每个 .RData 约 720 KB。四个子目录（EX_RN、EX_SN、IN_RN、IN_SN）各有一套同构的结果，对应两种距离函数 × 两种系数设定的 2×2 设计。

每个子目录里都带着一份 .Rhistory，这在复现包里算个彩蛋：能看到作者实际跑过的命令顺序，包括调试过程。对读代码卡住的人来说，这比注释更有用。

包里的 PDF 是按论文的表格编号命名的，对照关系如下：

• Simulation/Paper_Table1_Appendix_TableA1.pdf：正文表 1 与附录表 A1
  
• Simulation/Paper_Appendix_TableA2toA6.pdf：附录 A2—A6
  
• Results/Paper_Appendix_TableA1toA7.pdf：附录 A1—A7 合订
  
• AdditionalSimulations/Paper_Appendix_TableB1toTableB18.pdf：补充模拟的 18 张表
  
• Estimation/Paper_Figure1_Table2_Appendix_TableC1.pdf：实证部分图
  1、表 2 与附录 C1
  
• Empirical illustration Matlab/Paper_Appendix_TableD1_TableD2.pdf ＋ PAoutput_TableD1_TableD2.txt：Matlab 侧的附录 D 表与其原始输出
  

写论文时最有用的是最后一组：txt 是程序直接吐出的原始数字，PDF 是排版后的表。想核对「表里的数是不是代码跑出来的」，对一遍 txt 就知道。

第一，工作目录。主脚本里写死了 setwd('~/PAsubmissionR/Estimation')，解压后目录名必须保持一致，或者自己改这一行——这一句不改，后面所有 source() 都会失败。

第二，包版本。11 个包里 splm、spatialreg、spdep 的接口在近几年有过变动，脚本是按当时的版本写的；跑不通时先怀疑版本，而不是怀疑方法。

第三，残留文件。Estimation/~$Table4.xlsx 是 Excel 打开文件时生成的临时锁文件（165 字节），.Rhistory 是会话历史，两者都不参与计算，可以忽略但别误以为是数据。

第四，Matlab 与 R 双份实现不要混跑。两边的输入文件同名但处理路径不同，混用会得到对不上的中间结果。

回复本帖，可见这份复现材料在 Harvard Dataverse 的官方页面与直接下载地址、DOI 与引用格式、完整文件清单（含各文件大小与用途）、许可条款原文，以及四个模拟子目录的参数命名规则对照表，方便你按目录结构直接定位要跑的那一段。