国外早期做空间计量的学者大部分都在Gauss上完成开发和计算的，但Gauss国内使用得很少，空间计量相关教材完全没有。而MATLAB也有丰富的扩展包能做空间计量分析，个人感觉比stata和R丰富得多。打算以后都学一学，实现软件之间的互补吧。

我自己顶一下

不懂空间面板
但stata里面已经有了许多命令可以做了
好像每个命令有test的选项，可以报告一些检验结果



*** Spatial Econometrics Regression Models:

--------------------------------------------------------------------------------
*** (1) Spatial Panel Data Regression Models:
spregxt      Spatial Panel Regression Econometric Models: Stata Module Toolkit
gs2slsxt     Generalized Spatial Panel 2SLS Regression
gs2slsarxt   Generalized Spatial Panel Autoregressive 2SLS Regression
spglsxt      Spatial Panel Autoregressive Generalized Least Squares Regression
spgmmxt      Spatial Panel Autoregressive Generalized Method of Moments Regression
spmstarxt    (m-STAR) Spatial Lag Panel Models
spmstardxt   (m-STAR) Spatial Durbin Panel Models
spmstardhxt  (m-STAR) Spatial Durbin Multiplicative Heteroscedasticity Panel Models
spmstarhxt   (m-STAR) Spatial Lag Multiplicative Heteroscedasticity Panel Models
spregdhp     Spatial Panel Han-Philips Linear Dynamic Regression: Lag & Durbin Models
spregdpd     Spatial Panel Arellano-Bond Linear Dynamic Regression: Lag & Durbin Models
spregfext    Spatial Panel Fixed Effects Regression: Lag & Durbin Models
spregrext    Spatial Panel Random Effects Regression: Lag & Durbin Models
spregsacxt   MLE Spatial AutoCorrelation Panel Regression (SAC)
spregsarxt   MLE Spatial Lag Panel Regression (SAR)
spregsdmxt   MLE Spatial Durbin Panel Regression (SDM)
spregsemxt   MLE Spatial Error Panel Regression (SEM)
--------------------------------------------------------------------------------
*** (2) Spatial Cross Section Regression Models:
spregcs      Spatial Cross Section Regression Econometric Models: Stata Module Toolkit
gs2sls       Generalized Spatial 2SLS Cross Sections Regression
gs2slsar     Generalized Spatial Autoregressive 2SLS Cross Sections Regression
gs3sls       Generalized Spatial 3SLS Cross Sections Regression
gs3slsar     Generalized Spatial Autoregressive 3SLS Cross Sections Regression
spautoreg    Spatial Cross Section Regression Models
spgmm        Spatial Autoregressive GMM Cross Sections Regression
spmstar      (m-STAR) Spatial Lag Cross Sections Models
spmstard     (m-STAR) Spatial Durbin Cross Sections Models
spmstardh    (m-STAR) Spatial Durbin Multiplicative Heteroscedasticity Cross Sections Models
spmstarh     (m-STAR) Spatial Lag Multiplicative Heteroscedasticity Cross Sections Models
spregsac     MLE Spatial AutoCorrelation Cross Sections Regression (SAC)
spregsar     MLE Spatial Lag Cross Sections Regression (SAR)
spregsdm     MLE Spatial Durbin Cross Sections Regression (SDM)
spregsem     MLE Spatial Error Cross Sections Regression (SEM)
--------------------------------------------------------------------------------
*** (3) Tobit Spatial Regression Models:

*** (3-1) Tobit Spatial Panel Data Regression Models:
sptobitgmmxt Tobit Spatial GMM Panel Regression
sptobitmstarxtTobit (m-STAR) Spatial Lag Panel Models
sptobitmstardxtTobit (m-STAR) Spatial Durbin Panel Models
sptobitmstardhxtTobit (m-STAR) Spatial Durbin Multiplicative Heteroscedasticity Panel Models
sptobitmstarhxtTobit (m-STAR) Spatial Lag Multiplicative Heteroscedasticity Panel Models
sptobitsacxt Tobit MLE Spatial AutoCorrelation (SAC) Panel Regression
sptobitsarxt Tobit MLE Spatial Lag Panel Regression
sptobitsdmxt Tobit MLE Spatial Panel Durbin Regression
sptobitsemxt Tobit MLE Spatial Error Panel Regression
spxttobit    Tobit Spatial Panel Autoregressive GLS Regression
--------------------------------------------------------------
*** (3-2) Tobit Spatial Cross Section Regression Models:
sptobitgmm   Tobit Spatial GMM Cross Sections Regression
sptobitmstar Tobit (m-STAR) Spatial Lag Cross Sections Models
sptobitmstardTobit (m-STAR) Spatial Durbin Cross Sections Models
sptobitmstardhTobit (m-STAR) Spatial Durbin Multiplicative Heteroscedasticity Cross Sections
sptobitmstarhTobit (m-STAR) Spatial Lag Multiplicative Heteroscedasticity Cross Sections
sptobitsac   Tobit MLE AutoCorrelation (SAC) Cross Sections Regression
sptobitsar   Tobit MLE Spatial Lag Cross Sections Regression
sptobitsdm   Tobit MLE Spatial Durbin Cross Sections Regression
sptobitsem   Tobit MLE Spatial Error Cross Sections Regression
--------------------------------------------------------------------------------
*** (4) Spatial Weight Matrix:
spcs2xt      Convert Cross Section to Panel Spatial Weight Matrix
spweight     Cross Section and Panel Spatial Weight Matrix
spweightcs   Cross Section Spatial Weight Matrix
spweightxt   Panel Spatial Weight Matrix
--------------------------------------------------------------------------------

随便执行一个，命令自带的例子：你可以看到各种检验的结果。
但这些命令式非官方命令，不知道准确性如何。




. clear all

. sysuse spregsemxt.dta, clear

. spregsemxt y x1 x2 , nc(7) wmfile(SPWxt) mfx(lin) test

==============================================================================
*** Binary (0/1) Weight Matrix: 49x49 - NC=7 NT=7 (Non Normalized)
==============================================================================

initial:       log likelihood =  -187.4251
rescale:       log likelihood =  -187.4251
rescale eq:    log likelihood =  -187.4251
Iteration 0:   log likelihood =  -187.4251  
Iteration 1:   log likelihood =  -187.3013  
Iteration 2:   log likelihood = -187.29949  
Iteration 3:   log likelihood = -187.29949  
==============================================================================
* MLE Spatial Error Panel Normal Model (SEM)
==============================================================================
  y = x1 + x2
------------------------------------------------------------------------------
  Sample Size       =          49   |   Cross Sections Number   =           7
  Wald Test         =    144.2997   |   P-Value > Chi2(2)       =      0.0000
  F-Test            =     72.1499   |   P-Value > F(2 , 40)     =      0.0000
(Buse 1973) R2     =      0.7583   |   Raw Moments R2          =      0.9560
(Buse 1973) R2 Adj =      0.7099   |   Raw Moments R2 Adj      =      0.9473
  Root MSE (Sigma)  =      9.0116   |   Log Likelihood Function =   -187.2995
------------------------------------------------------------------------------
- R2h= 0.5523   R2h Adj= 0.4628  F-Test =   28.38 P-Value > F(2 , 40)  0.0000
- R2v= 0.5647   R2v Adj= 0.4776  F-Test =   29.83 P-Value > F(2 , 40)  0.0000
------------------------------------------------------------------------------
             |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
y            |
          x1 |  -.2848547   .1037195    -2.75   0.006    -.4881411   -.0815682
          x2 |  -1.593681   .3232377    -4.93   0.000    -2.227216   -.9601471
       _cons |   67.78676   5.045627    13.43   0.000     57.89751      77.676
-------------+----------------------------------------------------------------
     /Lambda |    .009203   .0232009     0.40   0.692      -.03627    .0546759
      /Sigma |   11.06048   1.117298     9.90   0.000     8.870613    13.25034
------------------------------------------------------------------------------
LR Test SEM vs. OLS (Lambda=0):   0.1573   P-Value > Chi2(1)   0.6916
Acceptable Range for Lambda:     -0.5201 < Lambda < 0.3115
------------------------------------------------------------------------------

==============================================================================
* Panel Model Selection Diagnostic Criteria
==============================================================================
- Log Likelihood Function                   LLF            =   -187.2995
---------------------------------------------------------------------------
- Akaike Information Criterion              (1974) AIC     =     74.9280
- Akaike Information Criterion              (1973) Log AIC =      4.3165
---------------------------------------------------------------------------
- Schwarz Criterion                         (1978) SC      =     84.1292
- Schwarz Criterion                         (1978) Log SC  =      4.4324
---------------------------------------------------------------------------
- Amemiya Prediction Criterion              (1969) FPE     =     86.1804
- Hannan-Quinn Criterion                    (1979) HQ      =     78.2941
- Rice Criterion                            (1984) Rice    =     75.5428
- Shibata Criterion                         (1981) Shibata =     74.4101
- Craven-Wahba Generalized Cross Validation (1979) GCV     =     75.2215
------------------------------------------------------------------------------

==============================================================================
*** Spatial Panel Aautocorrelation Tests
==============================================================================
  Ho: Error has No Spatial AutoCorrelation
  Ha: Error has    Spatial AutoCorrelation

- GLOBAL Moran MI            =   0.1131     P-Value > Z( 1.177)   0.2393
- GLOBAL Geary GC            =   0.8362     P-Value > Z(-1.161)   0.2456
- GLOBAL Getis-Ords GO       =  -0.3230     P-Value > Z(-1.177)   0.2393
------------------------------------------------------------------------------
- Moran MI Error Test        =   0.5410     P-Value > Z(4.938)    0.5885
------------------------------------------------------------------------------
- LM Error (Burridge)        =   0.5962     P-Value > Chi2(1)     0.4400
- LM Error (Robust)          =   1.2481     P-Value > Chi2(1)     0.2639
------------------------------------------------------------------------------
  Ho: Spatial Lagged Dependent Variable has No Spatial AutoCorrelation
  Ha: Spatial Lagged Dependent Variable has    Spatial AutoCorrelation

- LM Lag (Anselin)           =   0.1395     P-Value > Chi2(1)     0.7088
- LM Lag (Robust)            =   0.7914     P-Value > Chi2(1)     0.3737
------------------------------------------------------------------------------
  Ho: No General Spatial AutoCorrelation
  Ha:    General Spatial AutoCorrelation

- LM SAC (LMErr+LMLag_R)     =   1.3876     P-Value > Chi2(2)     0.4997
- LM SAC (LMLag+LMErr_R)     =   1.3876     P-Value > Chi2(2)     0.4997
------------------------------------------------------------------------------

==============================================================================
*** Panel Heteroscedasticity Tests
==============================================================================
  Ho: Panel Homoscedasticity - Ha: Panel Heteroscedasticity

- Engle LM ARCH Test AR(1): E2 = E2_1   =   0.3297   P-Value > Chi2(1)  0.5658
------------------------------------------------------------------------------
- Hall-Pagan LM Test:   E2 = Yh         =   0.0376   P-Value > Chi2(1)  0.8462
- Hall-Pagan LM Test:   E2 = Yh2        =   0.0066   P-Value > Chi2(1)  0.9355
- Hall-Pagan LM Test:   E2 = LYh2       =   0.0105   P-Value > Chi2(1)  0.9184
------------------------------------------------------------------------------
- Harvey LM Test:    LogE2 = X          =   4.7766   P-Value > Chi2(2)  0.0918
- Wald Test:         LogE2 = X          =  11.7859   P-Value > Chi2(1)  0.0006
- Glejser LM Test:     |E| = X          =   8.4592   P-Value > Chi2(2)  0.0146
- Breusch-Godfrey Test:  E = E_1 X      =  10.3725   P-Value > Chi2(1)  0.0013
------------------------------------------------------------------------------
- Machado-Santos-Silva Test: Ev=Yh Yh2  =   0.0942   P-Value > Chi2(2)  0.9540
- Machado-Santos-Silva Test: Ev=X       =   7.1616   P-Value > Chi2(2)  0.0279
------------------------------------------------------------------------------
- White Test - Koenker(R2): E2 = X      =   9.3655   P-Value > Chi2(2)  0.0093
- White Test - B-P-G (SSR): E2 = X      =  13.4664   P-Value > Chi2(2)  0.0012
------------------------------------------------------------------------------
- White Test - Koenker(R2): E2 = X X2   =  10.6604   P-Value > Chi2(4)  0.0307
- White Test - B-P-G (SSR): E2 = X X2   =  15.3285   P-Value > Chi2(4)  0.0041
------------------------------------------------------------------------------
- White Test - Koenker(R2): E2 = X X2 XX=  24.9508   P-Value > Chi2(5)  0.0001
- White Test - B-P-G (SSR): E2 = X X2 XX=  35.8762   P-Value > Chi2(5)  0.0000
------------------------------------------------------------------------------
- Cook-Weisberg LM Test: E2/S2n = Yh    =   0.0541   P-Value > Chi2(1)  0.8161
- Cook-Weisberg LM Test: E2/S2n = X     =  13.4664   P-Value > Chi2(2)  0.0012
------------------------------------------------------------------------------
*** Single Variable Tests (E2/Sig2):
- Cook-Weisberg LM Test: x1                =   4.4590 P-Value > Chi2(1) 0.0347
- Cook-Weisberg LM Test: x2                =   2.3833 P-Value > Chi2(1) 0.1226
------------------------------------------------------------------------------
*** Single Variable Tests:
- King LM Test: x1                         =   0.5462 P-Value > Chi2(1) 0.4599
- King LM Test: x2                         =   2.8806 P-Value > Chi2(1) 0.0897
------------------------------------------------------------------------------

==============================================================================
* Panel Groupwise Heteroscedasticity Tests
==============================================================================
  Ho: Panel Homoscedasticity - Ha: Panel Groupwise Heteroscedasticity

- Lagrange Multiplier LM Test     =   7.3373     P-Value > Chi2(6)   0.2908
- Likelihood Ratio LR Test        =   7.1253     P-Value > Chi2(6)   0.3094
- Wald Test                       =  12.4812     P-Value > Chi2(7)   0.0858
------------------------------------------------------------------------------

==============================================================================
* Panel Non Normality Tests
==============================================================================
Ho: Normality - Ha: Non Normality
------------------------------------------------------------------------------
*** Non Normality Tests:
- Jarque-Bera LM Test                  =   2.3681     P-Value > Chi2(2) 0.3060
- White IM Test                        =  13.4493     P-Value > Chi2(2) 0.0012
- Doornik-Hansen LM Test               =   4.3890     P-Value > Chi2(2) 0.1114
- Geary LM Test                        =  -0.7192     P-Value > Chi2(2) 0.6980
- Anderson-Darling Z Test              =   0.3158     P > Z( 0.173)     0.5686
- D'Agostino-Pearson LM Test           =   3.2953     P-Value > Chi2(2) 0.1925
------------------------------------------------------------------------------
*** Skewness Tests:
- Srivastava LM Skewness Test          =   0.8022     P-Value > Chi2(1) 0.3704
- Small LM Skewness Test               =   0.9696     P-Value > Chi2(1) 0.3248
- Skewness Z Test                      =  -0.9847     P-Value > Chi2(1) 0.3248
------------------------------------------------------------------------------
*** Kurtosis Tests:
- Srivastava  Z Kurtosis Test          =   1.2514     P-Value > Z(0,1)  0.2108
- Small LM Kurtosis Test               =   2.3257     P-Value > Chi2(1) 0.1272
- Kurtosis Z Test                      =   1.5250     P-Value > Chi2(1) 0.1272
------------------------------------------------------------------------------
    Skewness Coefficient = -0.3134     - Standard Deviation =  0.3398
    Kurtosis Coefficient =  3.8758     - Standard Deviation =  0.6681
------------------------------------------------------------------------------
    Runs Test: (23) Runs -  (25) Positives - (24) Negatives
    Standard Deviation Runs Sig(k) =  3.4619 , Mean Runs E(k) = 25.4898
    95% Conf. Interval [E(k)+/- 1.96* Sig(k)] = (18.7045 , 32.2751 )
------------------------------------------------------------------------------

* Marginal Effect - Elasticity: Linear *

+---------------------------------------------------------------------------+
|   Variable | Marginal_Effect(B) |     Elasticity(Es) |               Mean |
|------------+--------------------+--------------------+--------------------|
|y           |                    |                    |                    |
|         x1 |            -0.2849 |            -0.3117 |            38.4362 |
|         x2 |            -1.5937 |            -0.6521 |            14.3749 |
+---------------------------------------------------------------------------+
Mean of Dependent Variable =     35.1288

.

谢谢啦，其实我只是想了解R在空间计量检验方面的使用，我对stata的偏爱不如R。

R没有现成的命令
那估计你就的找到matlab、stata的程序，自己根据检验的理论和原理，参考他们的程序，
自己编写和改造成R语言命令进行检验了。

我要是这么厉害，就不会来这儿问了

只能自己顶一顶了┭┮﹏┭┮

自己顶  有木有人知道啊啊啊

自己顶一下  &#128557;

splm包里的bsktest
这是R自带的例子
data(Produc, package="plm")
data(usaww)
fm <- log(gsp)~log(pcap)+log(pc)+log(emp)+unemp
bsktest(fm,data=Produc, listw = mat2listw(usaww),test="LM1", standardize=TRUE)
你也可以自己下载splm包的说明，里面有介绍

splm这个程辑包我肯定会的，能做空间面板的模型估计和一下相关的检验，但是没法做空间面板数据的LM检验。我不知道你知不知道

呵呵，你好好看看这篇文章里的介绍吧
http://www.jstatsoft.org/v47/i01/paper
要是还有问题可以再问

楼主解决这个问题了吗？我现在也在做类似的内容。。。求告知具体程序。。谢谢。。

没有呢  最近落下了

楼主问题解决了吗？我也遇到同样的问题

这里面的LM检验也是针对模型做的估计呢，怎么对单个变量进行空间相关性检验呢？这么久了不知道大家都解决了问题没有~

请问楼主首页截图里面的各种检验是用lm.LMtests做出来的吗？还是做模型的时候用summary显示出来的？谢谢！

你说的东西貌似  在这里面有，
在最后一部分，关于检验这块的第一个检验，          是不是 备择假设是存在 误差相关，P值没有通过检验，说明存在空间误差相关性啊？
求讨论

问一下 spregxt y x1 x2,nc() wmfile() model(sar) mfx() stand tests 中的wmfile和mfx括号里分别表示是什么文件呀？初次用stata接触空间计量 都不是特别懂 看了帮助 没找到  

我也是被这个问题困扰好久了！终于找到了，slmtest这个函数，空间面板模型有很多种，用LM-error，LM-lag，RLM-error，RLM-lag这几个统计量可以确定应该用哪种模型，slmtest就是算的这几个统计量。楼主应该是想算的这个吧，我在R的函数介绍里看到的，应该没有错，大家康康，讨论一下~~

以下是R里的例子-------

data(Produc, package="plm")
data(usaww)
fm <- log(gsp)~log(pcap)+log(pc)+log(emp)+unemp
## robust LM test for spatial error sub spatial lag
## model on original data, pooling hypothesis
slmtest(fm, data=Produc, listw = usaww, test="rlme")
## model on within-transformed (time-demeaned) data,
## eliminates individual effects
slmtest(fm, data=Produc, listw = usaww, test="rlme",
  model="within")

找了两天终于找到了，开熏~~
另外截面数据用lm.lmtests
（我一开始搞混了希望没有误导人）

空气污染排放与经济增长的关系研究 ——基于中国省际面板数据的空间计量模型 艾小青 这篇文章中有R代码

最近也在用这两个包。spdep适合截面数据分析；splm是通过最大似然和glm估计系数，但是不能直接得出R方，还要其他命令。不当之处还请多多指正