пространственная автокорреляция для данных временных рядов

У меня есть 20-летний набор данных ежегодного количества видов для множества полигонов (~ 200 непрерывных многоугольников неправильной формы). Я использовал регрессионный анализ для определения тенденций (изменение количества в год) для каждого полигона, а также для агрегации данных полигонов на основе границ управления.

Я уверен, что в данных имеется пространственная автокорреляция, которая обязательно повлияет на регрессионный анализ агрегированных данных. У меня вопрос - как запустить тест SAC для данных временных рядов? Нужно ли мне смотреть на SAC остатков от моей регрессии для каждого года (глобальный Моран I)? Или я могу провести один тест за все годы?

После того, как я проверил, что да, есть SAC, легко ли было это решить? Мой фон статистики минимален, и все, что я прочитал о пространственно-временном моделировании, звучит очень сложно. Я знаю, что в R есть автоковариатная функция, взвешенная по расстоянию - это вообще просто в использовании?

Я действительно совершенно не понимаю, как оценить / добавить SAC для этой проблемы, и буду очень признателен за любые предложения, ссылки или ссылки. Заранее спасибо!

Согласно этой статье , OLS является последовательным при наличии пространственной автокорреляции, но стандартные ошибки неверны и должны быть скорректированы. Соломон Сян предоставляет для этого код stata и matlab . К сожалению, я не знаком с любым R-кодом для этого.

Есть, конечно, другие подходы к такого рода проблемам в пространственной статистике, которые явно моделируют пространственные процессы. Этот просто раздувает стандартные ошибки.

К сожалению, теоретические эконометристы получают удовольствие от запутывания. Связанный документ действительно трудно читать. В основном это говорит о том, что нужно выполнить любую регрессию, которую вы хотите, а затем исправить стандартные ошибки, т. Е. Использовать код из Сян. Пространство не входит в него, пока вы не попытаетесь оценить дисперсию вашей оценки. Интуитивно понятно, что если все различия близки друг к другу, вы менее уверены, что ваша оценка - это не просто след от некоторого ненаблюдаемого пространственного шока.

Обратите внимание, что вам нужно указать пропускную способность ядра, на которой, по вашему мнению, может работать пространственный процесс.

Этот ответ является в основном копией / вставкой повторяющего подобного ответа, который я сделал здесь

$y = X\beta + u, u=\rho Wu + \epsilon$

$y = \rho W y+ X\beta + \epsilon$$y = \rho W y + X\beta + WX \lambda + \epsilon$

Пакет spdep для R содержит множество функций, которые вычисляют матрицы пространственных весов, оценивают пространственные регрессии и делают другие вещи. У меня большой опыт работы с lagsarlmфункциями, но в документации к пакету видно, что есть sacsarlmфункция, которая, кажется, больше того, что вы ищете.

$W$$t$$t-1$$t +1$

$W$$X$