企业官网建设流程全解析

简介：动态面板空间杜宾模型代码包，面向空间计量经济学研究方向的研究者，解决传统静态模型无法处理时间滞后与空间滞后并存的问题。该实现包含完整的模型估计与检验环节，适用于产业集聚、区域创新、技术扩散等动态空间溢出的实证分析。压缩包共19个文件，总大小仅337KB，其中12个.m脚本构成主要功能模块，包括模型估计核心函数、示例运行脚本、空间权重矩阵构造及长期效应计算等；4个xlsx数据文件提供面板数据与空间权重示例，便于直接复现案例；1个PDF文档则详细说明动态极大似然估计的原理和操作要点。已有1948人学习下载。通过运行示例脚本，读者能完整经历从模型设定、数据准备、参数估计到结果解读的流程，并可根据自己的研究课题修改函数接口或数据文件，快速迁移至其他空间面板场景，显著提升实证分析效率。

1. 动态面板空间杜宾模型：先别急着解压 rar，这套空间回归最容易让人栽跟头

桌面上的“动态面板空间杜宾模型.rar”通常装着讲稿、示例数据和一两个 do 文件，但真正能一次跑通的人不多。动态面板空间杜宾模型是空间计量里最“缠人”的一种：它同时处理时间惯性、空间溢出和时空反馈，估计出来的系数不能直接解释，还要拆成短期/长期、直接/间接效应。很多研究地级市财政竞争、污染排放、创新溢出的同学，都是卡在“怎么把 rar 里的资料变成自己数据的可复现结果”这一步。这个标题真正值钱的不是那个压缩包，而是背后的模型选择逻辑和参数设置经验。适合已经懂一点面板回归、想往上走空间计量的人。

2. 先立住理论：动态面板空间杜宾模型在识别什么，为什么不能只用静态

2.1 动态面板空间杜宾模型比普通空间杜宾多估了“时空惯性”

普通空间杜宾模型（SDM）已经比空间自回归（SAR）进了一步，因为它不但包含邻居被解释变量的当期影响 Wy，还包含每个解释变量的空间滞后 Wx。它解决的问题是：某地的 x 变化，除了影响本地 y，会不会通过空间溢出影响邻居的 y，甚至邻居的 y 再反过来影响本地 y。但静态 SDM 有一个致命前提：不考虑时间惯性。

现实里的区域创新、环境污染、财政支出，没有一个是“当期归当期”的。上一年度的污染会继续影响今年，这是时间滞后 y_{t-1}；邻居上一年度的污染还会通过大气扩散或要素流动影响今年本地，这是时空滞后 W*y_{t-1}。动态面板空间杜宾模型就是在静态 SDM 的基础上，把这两个滞后项同时放进模型。不加这两个项，空间自回归系数 ρ 会被系统性高估，因为模型会把时间惯性误判成邻居的同步效应。很多论文被拒稿，根子就在这。

2.2 模型表达式里每个字母在说什么：从 τ 到 η 的识别链条

一个比较通用的动态面板空间杜宾模型可以写成：

y_{it} = τ y_{i,t-1} + ρ W y_{it} + η W y_{i,t-1} + X_{it} β + W X_{it} θ + μ_i + γ_t + ε_{it}

这里 τ 是时间滞后系数，衡量 y 自身的惯性；ρ 是空间自回归系数，衡量当期邻居的 y 对本地 y 的影响；η 是时空滞后系数，衡量邻居上一期 y 对本地当期 y 的影响；β 是自变量当期影响，θ 是自变量空间滞后影响，相当于邻居的 x 也会影响本地 y。μ_i 是个体固定效应，γ_t 是时间固定效应，ε_{it} 是扰动项。

看这个式子要注意一个点：ρ、τ、η 三个系数同时存在，模型才能识别“冲击的完整传播路径”。本地 x 变动，先通过 β 影响本地 y；再通过 W 和 ρ 传导给邻居；邻居下一期又带着 η 把部分影响传回来，同时时间惯性 τ 又让这个影响衰减或放大。静态模型把这一整套压缩到一个 ρ 里，自然会出问题。审稿人如果要你解释“长期效应是怎么算出来的”，你得能说清长期乘子来自 (1-τ) 和 (1-ρ-η) 的组合，而不是简单把系数乘一个年份数。

2.3 怎么选择空间面板模型：先跑 LM 检验，再决定要不要上 SDM

拿到任何数据，不要一上来就怼动态面板空间杜宾模型。先问一句：这个模型是不是被数据支持？常见做法是“一般到具体”的路径：先用普通动态面板或静态面板跑一个基准模型，把残差拿出来做空间相关检验，再决定模型形态。

R 里用 spdep 包的 lm.LMtests 可以同时给出针对空间误差和空间滞后的 LM 检验结果：

library(spdep) # 假设已经有坐标 coords 和面板数据 df # 构建 k 近邻权重矩阵，k 一般取 4 到 8 nb <- knn2nb(knearneigh(coords, k = 4)) listw <- nb2listw(nb, style = "W") # 先跑一个普通 OLS 基准模型 ols <- lm(y ~ x1 + x2, data = df) # 检验残差是否存在空间滞后或空间误差结构 lm.LMtests(ols, listw, test = "all")

lm.LMtests 返回 LMerr、LMlag、RLMerr、RLMlag 四类统计量。LMerr 指向空间误差模型，LMlag 指向空间滞后模型；如果两个都显著，再比较稳健的 RLMerr 和 RLMlag。如果 RLMlag 更强，SAR 更合适；如果都不拒绝，再考虑 SDM。因为 SDM 是更一般的设定，包含了 SAR 和 SEM 作为约束情况，所以很多人会直接把 SDM 当作起点。但注意，动态面板空间杜宾模型的自由度更大，对数据长度和截面数要求也更高。T 不够长时，时空滞后加时间滞后会让工具变量数量爆炸，后面检验会变得非常脆弱。

3. 把 rar 变成可复现结果：Stata 与 R 的最小运行路径

3.1 解压前先看清这三样东西：数据、权重矩阵、do 文件

我下载这类课程资料踩过最大的坑，是解压密码被“后缀乱码”误导。类似“动态面板空间杜宾模型.rar_caughtuk3_空间回归_空间杜宾”这种命名，实际上“caughtuk3”多半是发布者自己的标记，不是密码。如果碰到“课程资料.rar 忘记解压密码”，先回原发布页看正文和置顶评论，比下载 Advanced RAR Password Recovery 靠谱得多。这类破解工具耗时不说，很多破解版还会夹带广告子程序，杀毒软件报完警你还要回头来找干净环境。

解压之后，先别急着打开 do 文件。先确认三样东西是否齐全：第一，面板数据，最好长这样：id、time、y、x1、x2 这种标准结构；第二，空间权重矩阵，是一个 n×n 的矩阵文件，或者至少有一列经纬度/多边形 shapefile；第三，do 文件或 R 脚本。如果压缩包里只有 do 文件没有权重矩阵，那大概率是在 do 文件里用坐标现场生成。你先运行到生成 W 的命令，确认没问题再继续。

3.2 Stata 路线：导入权重矩阵后跑通静态 SDM，再升级动态

Stata 15 以后有官方空间面板命令，权重矩阵可以手动导入。假设你有一个 W.csv，行和列都是区域 id，顺序和面板数据里的独立个体顺序一致：

* 1. 导入空间权重矩阵，W 是矩阵名称，W.csv 是第一行和第一列为 id 的 n×n 矩阵 spmatrix import W using "W.csv", replace * 2. 跑固定效应空间杜宾模型，dvarlag 加入 W*y，ivarlag 加入所有 x 的 W*x spxtregress y x1 x2, fe dvarlag(W) ivarlag(W) * 3. 输出直接、间接和总效应 estat impacts

这里的 fe 是个体固定效应；dvarlag(W) 表示模型包含被解释变量的空间滞后；ivarlag(W) 表示所有解释变量的空间滞后也要进入模型。如果没有 ivarlag(W)，模型就退化成空间自回归 SAR 了。estat impacts 对 SDM 尤其重要，它会输出直接效应、间接效应和总效应，还会给置信区间。注意，这个命令要求 W 的行标准化，且对角线必须为 0。

Stata 没有一条命令直接跑“动态”空间杜宾，常见做法是先造出空间滞后变量，再放到动态面板 GMM 里。可以用官方 spgenerate 生成 Wy，然后手动生成 Wy_{t-1}，最后放到 xtabond2 或 xtdpdsys 里把这两个滞后变量当作内生变量处理。这里最容易犯的错是直接把 W*y 当作普通外生变量放进 GMM，审稿人大概率会质疑空间滞后变量的内生性。

3.3 R 路线：用 spdep 生成空间滞后变量，为动态面板 GMM 做准备

如果你拿到的是 R 代码，那核心工作就是构建正确的权重矩阵并生成空间滞后变量。下面是一个可以迁移的最小例子：

library(spdep) # 读入面板数据，必须包含 id、time、lon、lat df <- read.csv("panel_data.csv") # 构建 k=4 近邻，然后转成行标准化的权重矩阵 coords <- cbind(df$lon, df$lat) nb <- knn2nb(knearneigh(coords, k = 4)) listw <- nb2listw(nb, style = "W") # 生成本期空间滞后 W*y df$Wy <- lag.listw(listw, df$y) # 生成上一期 y，再求空间滞后，得到时空滞后 W*y_{t-1} df$y_lag <- ave(df$y, df$id, FUN = function(z) c(NA, head(z, -1))) df$Wy_lag <- lag.listw(listw, df$y_lag)

lag.listw 返回每个区域邻居变量的加权平均，权重来自 listw。ave 是按 id 分组做滞后，c(NA, head(z, -1)) 是手动实现时间滞后，比用 reshape 的函数更直观。得到 Wy 和 Wy_lag 后，就可以用 plm 包的 pgmm 函数做动态空间面板估计：

library(plm) pdata <- pdata.frame(df, index = c("id", "time")) # 示意：把时间滞后和空间滞后都当作内生变量 # 工具变量集合需要根据 Arellano-Bond 检验调整 model <- pgmm(y ~ lag(y, 1) + Wy + Wy_lag + x1 + x2 | lag(y, 2:4) + Wx1 + Wx2, data = pdata, model = "twostep", effect = "twoways") summary(model, robust = TRUE)

这里最需要留意的是工具变量集合。lag(y, 2:4) 是把 y 的第二到第四阶滞后作为工具变量，Wx1 和 Wx2 是解释变量的空间滞后。空间滞后变量 Wy 本身是内生的，需要在 gmm 或 iv 部分里处理，否则估计量不会一致。上面这段代码是一个落地起点，真正写进论文前必须读 Arellano-Bond AR(2) 检验和 Hansen 检验的输出。

4. 三个必调参数：空间权重矩阵、动态项与效应分解的置信区间

4.1 空间权重矩阵怎么选：从邻接到经济距离的四张牌

空间权重矩阵是整个模型的黑匣子。同样的数据，用邻接矩阵和用经济距离矩阵，估计出的 ρ 可能一个是正 0.5，一个是负 0.2。所以第一步不要急着跑模型，要把权重矩阵的生成理由写清楚。

常见的选择可以分成四类：

权重矩阵一定要做行标准化，也就是每一行元素之和为 1，这样 W*y 才是邻居 y 的加权平均。对角线必须严格为 0，不然某地自己的 y 会通过权重矩阵传回自己，导致 ρ 虚高。在 Stata 里导入经济距离矩阵和导入地理权重矩阵完全一样，prepare 一个 csv 用 spmatrix import 就行。做稳健性时至少换一种权重矩阵，如果结果的直接效应符号都不变，才算过了基本门槛。

4.2 动态项参数：时间滞后和时空滞后该不该同时进模型

动态面板空间杜宾模型里最关键的参数不是 ρ，而是 τ 和 η 的组合。很多人在 Stata 里跑完静态 spxtregress，看到 ρ 显著就觉得大功告成。但如果你是做政策评估或实证因果，缺少时间滞后意味着所有估计都建立在“去年的事对今年没有任何影响”这个假设上，这在区域数据里几乎不可能成立。

我一般建议的做法是分层估计：先跑一个只含 y_{t-1} 的动态 SAR 模型，再把 W*y_{t-1} 加进去变成动态 SDM，用 LR 检验判断空间滞后因变量是不是多余。如果 η 不显著，就退回到动态 SAR，减少工具变量数量。如果 η 显著为正，说明邻居上一期的结果仍然在影响本地，这时候时空溢出不是短期扰动，而是长期累积的。R 里可以用 pgmm 修改公式，Stata 里则在 xtabond2 的 gmm 列表中加入 L.Wy。要特别注意，Wy 和 Wy_lag 都是内生变量，工具变量必须至少包含 y 的更高阶滞后和外生的 Wx。

4.3 效应分解的置信区间：审稿人要的不是点估计

动态面板空间杜宾模型的结果不能只报告回归系数，因为 ρ、τ、η 会交叉反馈。真正进入论文表格的是直接效应、间接效应和总效应。静态 SDM 中，直接效应和间接效应来自矩阵 (I - ρW)^(-1)(β + θW)；动态模型还要考虑时间和时空滞后，长期效应进一步被 τ 和 η 调整。

效应分解光有点估计没有置信区间，几乎等于白做。Stata 的 estat impacts 在静态模型后面会直接给区间；动态模型没有现成命令，就得自己 bootstrap。这里有一个很容易翻车的地方：bootstrap 必须按整块个体抽样，也就是整个 id 的时间序列一起进组，不能逐行重抽样。逐行抽会破坏每个个体内部的时间相关性，空间关联结构也乱了，算出来的置信区间没有意义。R 里我一般这样写：

set.seed(123) nboot <- 200 results <- vector("list", nboot) id_list <- unique(pdata$id) for (b in 1:nboot) { # 按个体整块抽样 chosen <- sample(id_list, replace = TRUE) idx <- unlist(lapply(chosen, function(i) which(pdata$id == i))) df_boot <- pdata[idx, ] # 重新估计动态空间面板模型，并提取间接效应 model_b <- pgmm(y ~ lag(y, 1) + Wy + Wy_lag + x1 + x2 | lag(y, 2:4) + Wx1 + Wx2, data = df_boot, model = "twostep", effect = "twoways") results[[b]] <- summary(model_b, robust = TRUE)$coefficients } # 后续按分位数提取置信区间

注意这里用到的不是 pdata.frame，而是 plm 对象，实际写代码时要先转换好。bootstrap 次数 200 到 500 比较常见，太少的话间接效应尾部很宽，写进论文没有说服力。如果模型本身计算很慢，可以先缩到 99 次看趋势，再决定要不要跑完整。

5. 动态面板空间杜宾模型避坑指南：五条翻车记录与排查路径

5.1 现象：do 文件报错 spxtregress not found

你拿到的课程资料多半来自某位老师或博主，里面可能写的是spxtregress y x1 x2, fe，结果你打开 Stata 一跑，直接红色报错 command not found。

原因基本就是两个：Stata 版本低于 15，或者运行前没有初始化空间数据。spxtregress 是 Stata 15 才加入的官方命令，14 及以前的版本无论如何都跑不了。另外，它依赖 spmatrix 导入的权重矩阵，如果 do 文件里没有执行 spmatrix import，命令本身也不会工作。

解决：先which spxtregress和which spmatrix看结果。如果 Stata 版本不够，要么升级，要么改用ssc install xsmle，xsmle 能做静态空间面板 SDM/SAR/SEM。如果是权重矩阵没导入，把 spmatrix import W using "W.csv", replace 放到 spxtregress 前面。这个坑是最“新手友好”的，但也有很多老手因为版本和命令库不同浪费一整天。

5.2 现象：权重矩阵维度对不上，数据里出现大量缺失

有时候模型能跑，但看结果发现变量数量不对，或者报错“W has missing values”。这通常不是代码问题，而是权重矩阵的行列顺序和面板数据的个体顺序不一致。

原因很具体：比如你用经济距离矩阵，excel 里删了几个省份，但权重矩阵还是原来的 n×n；或者面板数据是长面板，个体 id 的编码和矩阵行号不能对齐。另一个常见原因是非平衡面板：某个个体在某年缺失，但权重矩阵包含它，R 的 lag.listw 会把缺失位置变成 NA，然后蔓延到整个回归。

解决：先tab id数一下个体数，再数权重矩阵维度。确保权重矩阵不含对角线自环，行名和 id 一一对应。非平衡面板要先用 plm 的 make.pbalanced 或者 Stata 的 tsfill 补成平衡面板，再生成空间滞后变量。空间计量里，非平衡面板的权重矩阵处理本身就比较麻烦，最好在数据处理阶段就补平。

5.3 现象：ρ 接近 0.99 或模型不收敛

动态面板空间杜宾模型里 ρ 的取值范围受权重矩阵约束，行标准化后理论上小于 1，但接近 0.99 就已经是极大值了。如果你发现 ρ 每次估计都在 0.95 以上，且标准误巨大，通常不是“空间关联很强”，而是模型设定有问题。

最常见的原因是缺少时间固定效应。如果所有地区共享一个随时间上升的共同冲击，而你只加了地区固定效应，这个共同时间趋势会被空间滞后项捕捉，导致 ρ 虚高。另一个原因是权重矩阵对角线不为 0，让每个地区把自己的 y 也算了一遍邻居，ρ 直接爆表。

解决：在模型中加入时间固定效应，Stata 的 fe 选项里再补时间虚拟变量，R 的 pgmm 把effect 设成 twoways。检查权重矩阵对角线数值，写成diag(W)看一眼，全部应为 0。如果调完还是接近 1，检查 y 是否带明显单位根，必要时取对数或差分。

5.4 现象：动态项系数与静态模型差异巨大

同一种数据，静态 SDM 的 ρ=0.6 且显著，加入 y_{t-1} 后 ρ 降到 0.2，τ=0.7 显著。很多人会怀疑是自己做错了，其实这是正常且合理的结果。

原因是静态模型把时间惯性塞进了空间自回归项。区域 gdp、污染、创新能力都有极强的持续性，静态模型无法区分“因为去年就是这个水平”和“因为邻居今年影响了本地”。加入时间滞后项后，ρ 回落是剥离了时间成分后的真实同期空间溢出。如果 τ 不显著，那才说明没有时间惯性，静态模型也说得过去。

解决：不要删掉静态结果，论文里同时报告静态和动态，用动态结果显示 τ 和 η 的显著性来说明动态模型更合适。再配合 Arellano-Bond AR(2) 检验的 p 值，如果 AR(2) 不显著，说明动态模型的工具变量条件基本成立，这是审稿人最爱看的东西。

5.5 现象：间接效应符号和回归系数符号相反

空间杜宾模型最反直觉的一点，就是回归表格里的 θ 和间接效应符号可能完全相反。比如 W*x 的系数 θ=-0.3 且显著，画出来的间接效应却是正的。很多人因此怀疑效应分解程序出错。

原因在计算逻辑：间接效应不是 θ 本身，而是整个空间乘子矩阵的非对角元素。间接效应同时受到 β、θ、ρ 的影响，如果 β 是正的且 ρ 是正的，本地 x 提升会通过反身反馈放大邻居的 y，最终溢出方向由 β+θW 的组合积分决定，而不是单看 θ。

解决：所有论文结论都从 estat impacts 或 R 的效应分解结果出，不直接引用 θ 做解释。如果间接效应符号和业务直觉冲突，用 2.3 里的空间权重矩阵换一种方式验证，并说明结果在哪种矩阵下成立。把 θ 单独拿出来写结论，是空间计量审稿里非常典型的低级错误。

6. 让动态面板空间杜宾模型进论文：效应分解表格与两个可视化收尾

6.1 效应分解表怎么写才能过审稿人那关

论文里的核心结果表，我一般会列成三块：直接效应、间接效应、总效应，每块再拆短期和长期。行放核心解释变量，列放效应类型，括号里放 bootstrap 置信区间或标准误。注意不要只给星号和 z 值，至少给出 95% 置信区间，审稿人特别喜欢看区间是否跨零。

表格里的数字要跟回归系数对上，但不要直接把 θ 或 β 抄进去。长期效应要特别小心，动态模型的长期乘子不是短期效应的简单相加，而是要通过 (1-τ) 和空间乘子共同调整。你要是存疑，就做一次 bootstrap 计算长期效应，确保每次抽样都走同一个估计流程，避免手算和程序不一致。

6.2 用空间溢出散点图验证方向，别让表格数字说了算

效应分解是一个黑匣子，审稿人未必信，所以我会加一张空间溢出散点图：横轴是某个核心解释变量 x，纵轴是它的空间滞后 W*x，点大小对应空间权重，再叠一条回归线。如果散点图斜率为正，说明该变量的空间分布本身就有正溢出，模型分解出正的间接效应才不会显得突兀。

R 里的代码很简单：

library(ggplot2) df$Wx <- lag.listw(listw, df$x1) ggplot(df, aes(x1, Wx)) + geom_point(aes(size = weight), alpha = 0.6) + geom_smooth(method = "lm", se = FALSE)

这张图的价值在于稳定性验证：换一种权重矩阵，如果 Wx 和 x1 的关系仍然同方向，后面的空间模型结论就有支撑；如果图形斜率和模型间接效应相反，你要先回去检查是不是权重矩阵尺度出了偏差。做稳健性时我会再删掉个体规模最大的区域重新估计，防止单点驱动 ρ。这个习惯是从一次翻车里学来的：当时一个直辖市样本同时是高权重和异常值，删掉之后 ρ 从 0.7 掉到 0.3，整个结论差点被推翻。现在我对每个空间模型结果都默认至少跑三种权重矩阵、删一个最大截面、做一次 bootstrap，三个结果方向一致才敢写进正文。希望帮到你。

本文还有配套的精品资源，点击获取