空间计量是什么？
空间计量回答的是一个地区的结果是否会受到邻近地区结果、政策或冲击的影响。它把地理邻近、经济联系或网络关系写成空间权重矩阵，用来识别空间依赖和溢出。
先用一句话理解
把空间计量想成城市不是孤岛。一个城市修路、控污或涨房价，可能影响周边城市。普通回归把每个地区当互不相干，空间模型则承认这种相邻影响。
什么时候用
| 判断项 | 教科书式判断 |
|---|---|
| 适合用在 | 研究对象存在明确空间邻近、网络联系或政策溢出。 |
| 先不要用在 | 只有经纬度但没有空间机制，或者只是想修正标准误。 |
| 最关键的前提 | 空间权重矩阵 W 的定义要有经济含义。 |
| 读表顺序 | 先看 W 如何构造，再区分直接效应、间接效应和总效应。 |
| 论文表述边界 | 空间计量估计溢出结构，不能和 Conley 标准误混为一谈。 |
把它和相近方法分清楚
| 容易混淆的对象 | 怎么区分 | 初学者记法 |
|---|---|---|
| Conley SE | 允许空间相关误差。 | 只修正标准误。 |
| Spatial lag/SAR | 邻近地区的 Y 影响本地 Y。 | 估计结果扩散。 |
| Spatial Durbin/SDM | 邻近地区的 X 也影响本地 Y。 | 估计政策或特征溢出。 |
核心直觉和模型公式
空间滞后模型
一个 SAR 模型可写成：
\[Y=\rho WY+X\beta+\varepsilon\]
WY 是邻近地区结果的加权平均，rho 衡量空间依赖强度。
公式里的符号怎么读
| 符号 | 含义 | 在本页怎么理解 |
|---|---|---|
| W | 空间权重矩阵 | 定义谁和谁相邻，以及相邻强度。 |
| WY | 空间滞后结果 | 邻近地区结果的加权平均。 |
| ρ | 空间依赖系数 | 邻近结果对本地结果的影响。 |
| direct effect | 直接效应 | 本地 X 对本地 Y 的影响。 |
| indirect effect | 间接效应 | 本地或邻近 X 通过空间网络产生的溢出。 |
专业使用口径
专业空间计量报告首先要说明 W，而不是先报 rho 显著。
| 口径 | 专业写法 |
|---|---|
| W 的构造 | 邻接、距离、经济联系或网络权重要清楚。 |
| 行标准化 | 说明权重是否标准化。 |
| 模型类型 | SAR、SEM、SDM 含义不同。 |
| 效应分解 | 报告直接、间接和总效应，避免只读原始系数。 |
一步一步做：从问题到结果的五步
| 步骤 | 这一页具体做什么 | 做到什么程度才算读懂 |
|---|---|---|
| 1. 提出空间机制 | 为什么相邻地区会互相影响。 | 没有机制不要硬上空间模型。 |
| 2. 构造 W | 根据地理或经济关系定义邻近。 | W 是核心研究选择。 |
| 3. 做空间相关诊断 | 看 Moran's I 或 LM 检验。 | 先确认空间依赖。 |
| 4. 选择模型 | SAR/SEM/SDM 对应不同依赖来源。 | 模型不能混写。 |
| 5. 分解效应 | 解释直接和间接效应。 | 空间模型系数不能简单当边际效应。 |
结果怎么读：先读口径，再读数字
本页案例读表时，先记住这个口径：spatial_lag_diagnostic = x；0.07950351523676957。
| 读表顺序 | 本页怎么读 | 不要这样读 |
|---|---|---|
| 先看 W | 空间关系怎么定义。 | W 变了，结论可能变。 |
| 再看模型类型 | 依赖来自 Y、X 还是误差。 | 不同模型问题不同。 |
| 然后看 rho/lambda | 空间依赖是否存在。 | 显著不等于机制已经证明。 |
| 最后看效应分解 | 直接、间接、总效应分别如何。 | 这是空间模型正文解释重点。 |
初学者最容易错在哪里
| 误读 | 为什么错 |
|---|---|
| 有经纬度就用空间计量 | 错。需要空间机制和 W。 |
| 把 Conley SE 当空间溢出 | 错。Conley 只修正推断。 |
| 只读 β 不分解效应 | 错。空间反馈下原始系数不是总边际效应。 |
| W 事后挑选 | 风险高。应有理论和稳健性。 |
先看这个案例的结论
- spatial_lag_diagnostic = x；0.07950351523676957。
- spatial_lag_diagnostic = W_y；2.8640959073732546。
- 这些数字来自页面里的结果表；写论文时先解释数值含义，再讨论理论含义。
变量要求和案例口径
| 字段 | 口径 |
|---|---|
| 数据 | CSMAR 风格 A 股企业创新面板 |
| 原始样本 | 196 家上市公司，2015-2020 年，约 1200 个公司-年观测；各方法有效样本以本页输出表 N 为准 |
| 因变量 | patent_count；回归页通常使用 ln(1 + patent_count) |
| 核心解释变量 | dfi_index，数字普惠金融指数；部分案例输出展示的是标准化后的 dfi_index |
| 控制变量 | roa、lev、size、growth、cashflow、tobinq、top1、dual、board、indep、soe、age |
| 输出文件 | spatial_results.csv |
| 角色要求 | 因变量、核心解释变量 |
| 依赖包 | 无额外 Stata 社区包要求 |
实际代码
下面是本页案例里的最小 Stata 代码。它的作用是帮助你看清变量怎么进入模型、结果文件怎么生成，而不是要求你在网页里手动运行。
import delimited "$DATA_PATH", clear varnames(1) encoding(UTF-8)
gen ln_patent1 = ln(1 + patent_count)
egen firm_id = group(stkcd)
xtset firm_id year
global y ln_patent1
global count_y patent_count
global x dfi_index
global controls roa lev size growth cashflow tobinq top1 dual board indep soe age
gen post = year >= 2018
bysort firm_id: egen pre_dfi = mean(cond(year < 2018, dfi_index, .))
quietly summarize pre_dfi, detail
gen treat = pre_dfi >= r(p50)
gen did = treat * post
gen high_patent = patent_count > 2
gen running_dfi = dfi_index - 260
gen rdd_treat = running_dfi >= 0
* Use firm coordinates in the full backend when lon/lat are available.
reg $y $x $controls i.year, vce(cluster firm_id)
export delimited using "$JOB_DIR/spatial_results.csv", replace实际输出表
这张表是本方法页配套案例的输出结果，用来把前面的公式、变量口径和代码对应到实际数字。
| model | term | coef | se | pvalue | N | R2 | status | spatial_lag_col |
|---|---|---|---|---|---|---|---|---|
| spatial_lag_diagnostic | x | 0.07950351523676957 | 0.42847833250040746 | 0.8532117901151861 | 96 | 0.9943009176163988 | estimated | W_y |
| spatial_lag_diagnostic | W_y | 2.8640959073732546 | 1.0262622601201454 | 0.0064056899552439985 | 96 | 0.9943009176163988 | estimated | W_y |
案例图
这是一张由同一份案例数据生成的页面内诊断图。
论文里怎么写
本文在共用企业面板样本上报告空间计量，核心输出见 spatial_results.csv。结果解释时同时关注样本口径、变量构造、系数方向、标准误和适用前提，避免只凭单个 p 值完成方法选择。
检查清单
- 先定义空间权重矩阵 W：邻接、距离还是经济距离。
- 区分直接效应、间接效应和总效应，不能只解释空间滞后系数。
- 空间结果对 W 很敏感，至少说明权重矩阵选择理由。