所需要的数据：面板数据
DID的设置可以参照以前的文章，反正无论是两期DID还是多期DID，本质上就是时间节点的变化，这里主要介绍如何进行空间DID。
首先，为啥要进行空间DID，这肯定和我的被解释变量有关。我的被解释变量，Polyc，也就是每个城市的形态，在空间上存在正向自相关，所以我才用空间DID。要是因变量根本不存在空间关联，那也不需要空间计量。
注意：由于是空间计量，所以我们需要空间权重矩阵。我们面板数据只需要一年的空间权重矩阵就可以，把这个一年的空间权重矩阵用到所有年份。（因为地理距离，在短期内也不会改变。如果是经济距离可能需要每年不一样，这个我还没研究出来咋搞。）
所以等于说数据需要两个，一个是274个县级市×6年的面板数据（data.dta）
一个是其中一年的截面数据（2013.dta）
cd E:\stata\data（cd 后面是文件的位置，先设置工作环境）
use 2013.dta（用截面数据获取空间权重矩阵，这里的pointX和pointY是经纬度数据。空间权重矩阵的方法有很多，我用的是经纬度数据获取，也可以直接Stata导入shp文件获取）
spatwmat, name(W01) xcoord( POINT_X ) ycoord( POINT_Y ) band(0 12) binary standardize
band（0 12）指的是搜索范围，大家可以根据研究需求自己设置
binary standardize 是进行标准化设置
name（W01）是给权重矩阵取名W01
matlist W01 （进行权重矩阵的计算）
mat2txt,matrix(W01) saving(W2013)replace //矩阵保存为txt文件，并取名W2013
dataout using W2013.txt,word excel //矩阵转换为word和excel文件
用excel打开W2013.xml，并保存成xlsx格式。接着，把数据设置成矩阵，删除多余的东西。其中，我们需要在第一行加上变量的名称，这里我取名是a1~a274（因为我研究对象是273个地区），并删除掉最右边那一列的多余数据
处理前
处理后
然后就可以把处理好的W2013.xlsx导入Stata，并转换成W2013.dta格式，进行权重矩阵的计算啦
use W2013.dta
spmat dta W2013new a1-a274（然后，在stata中打开，a1-a274是所有的变量的变量名，注意W2013nwe是新的名字，可以换成任何的名字）
接着，储存W2013new（引号里是存储位置，新的spmat的名字叫W2013new，可以换成任何名字）
spmat save W2013new using "F:\Desktop\空间计量的论文\W2013new.spmat"
***建立截面空间权重矩阵
spatwmat using W.dta,name(W)
***构造空间面板矩阵
list a1-a273
spcs2xt a*, matrix(W) time(8) 8指的是你用了几年的数据
spatwmat using Wxt.dta,name(Wp)
spmat dta usaww12xt v1-v1644
spmat save usaww12xt using "F:\Desktop\空间计量的论文\Wp.spmat"
matrix list Wp
然后就可以打开面板数据进行空间DID的操作了
use data.dta（面板数据）
xtset FID time（使用xtset设置region和year(格式为xtset region year)）
spmat use usaww11 using W2013new.spmat（生成空间权重矩阵，这是面板数据根据截面的spmat生成的空间权重矩阵，用的是刚刚的W2013new.spmat。usaww11是我们面板数据要用的空间权重矩阵的名字，可以自己设置成啥都行）
然后我们就可以进行各种空间计量的计算了
（1）空间杜宾模型（SDM）
xtset id year
spatwmat using W.dta,name(W) standardize
随机效应模型
xsmle y x a, model(sdm) wmat(W) type(both) nolog effects re
时间固定效应
xsmle y x a, model(sdm) wmat(W) type(time) nolog effects fe
个体固定效应
xsmle y x a, model(sdm) wmat(W) type(ind) nolog effects fe
双固定效应xsmle y x a, model(sdm) wmat(W) type(both) nolog effects fe
（2）空间误差模型（SEM）
xtset id year
spatwmat using W.dta,name(W) standardize
随机效应模型
xsmle y x a, model(sem) emat(W) type(both) nolog effects re
时间固定效应
xsmle y x a, model(sem) emat(W) type(time) nolog effects fe
个体固定效应
xsmle y x a, model(sem) emat(W) type(ind) nolog effects fe
双固定效应
xsmle y x a, model(sem) emat(W) type(both) nolog effects fe
（3）空间滞后模型（SLM）
xtset id year
spatwmat using W.dta,name(W) standardize
随机效应模型
xsmle y x a, model(sar) wmat(W) type(both) nolog effects re
时间固定效应
xsmle y x a, model(sar) wmat(W) type(time) nolog effects fe
个体固定效应
xsmle y x a, model(sar) wmat(W) type(ind) nolog effects fe
双固定效应
xsmle y x a, model(sar) wmat(W) type(both) nolog effects fe
xsmle允许估计随机效应空间自回归、空间durbin和空间误差模型、固定效应空间自相关模型和广义空间随机效应模型。
看看空间DID：
xsmle y sdid covariate,wmat(usaww) model(sdm) durbin(sdid ).set store SDMDID
xsmle y sdid covariate,wmat(usaww) model(sar) .set store SARDID
xsmle y sdid covariate,emat(usaww) model(sem) .set store SEMDID
xsmle y sdid covariate,wmat(usaww) emat(usaww) model(sac) .set store SACDID
网友评论