Escolar Documentos
Profissional Documentos
Cultura Documentos
Heterogeneidade espacial
O que diferencia a econometria espacial
da econometria tradicional?
Dependncia espacial
Geralmente vista como a falta de independncia que geralmente
presente entre observaes de corte transversal.
Heterogeneidade espacial
Falta de estabilidade do fenmeno estudado sobre o espao.
Dependncia espacial
Heterogeneidade espacial
Efeitos espaciais
Dependncia espacial
Heterogeneidade espacial
Dependncia espacial
Y1 = Y A + YB
Y2 = YC + (1 )YB
1 2
A B C
yi = f ( y1 , y2 ,..., y N )
Dependncia espacial
yi = f ( y1 , y2 ,..., y N ),
i S (conjunto de todas as unidades espaciais)
yit = f it ( xit , it , it ).
i se refere ao espao e t ao tempo
P[ xi | x] = P[ xi | xJ ]
Onde xJ o vetor de observaes para xj j J, e x o
vetor contendo todos os valores de x no sistema.
Formalizao dos efeitos espaciais
{ j | P[ xi ] P[ xi | x j ]
{ j | P[ xi ] P[ xi | x j ] e d ij < i
b c c
b a b a
b c c
Formalizao dos efeitos espaciais
Ainda,
raio Segunda ordem
d
B c b c
B A B d b a b d
B c b c
d
A matriz de pesos espaciais
d e f
g h i
A matriz de pesos espaciais
Tabela
Matriz de contigidade binria
a b c d e f g h i
a 0 1 0 1 0 0 0 0 0
b 1 0 1 0 1 0 0 0 0
c 0 1 0 0 0 1 0 0 0
d 1 0 0 0 1 0 1 0 0
e 0 1 0 1 0 1 0 1 0
f 0 0 1 0 1 0 0 0 1
g 0 0 0 1 0 0 0 1 0
h 0 0 0 0 1 0 1 0 1
i 0 0 0 0 0 1 0 1 0
A matriz de pesos espaciais
O conceito de matriz binaria foi ampliado por Cliff e Ord (1973, 1981)
para incluir uma medida geral do potencial de interao entre duas
unidades espaciais.
Esta medida expressa em uma matriz de pesos espaciais W, onde
cada elemento denominado de wij.
A sugesto dos autores foi de utilizar uma combinao das distancias
e os cumprimentos das fronteiras:
wij = (dij ) ( ij )
a b
A matriz de pesos pode ser padronizada pela linha, com cada dos
elementos no-zero sendo dado por:
s
w = wij
ij j wij
A matriz de pesos espaciais
i,j
i-1,j i+1,j
i-1,j-1 i+1,j-1
i,j-1
Operadores de defasagem (lag) espacial
Ls yi = j wij y j j J i
Em forma matricial:
S
L y = Ws y
Modelos espaciais
Modelo auto-regressivo
Modelo de erro espacial
Modelos espaciais:taxinomia
O modelo geral.
y = W1 y + X +
= W2 +
~ N (0, )
E os elementos diagonais da matriz so definidos como:
ii = hi ( z ) hi > 0
um vetor de parmetros (K X 1); X uma matriz (N X K) de
variveis exgenas; o coeficiente (escalar) da varivel
dependente espacialmente de defasada; o coeficiente do termo
auto-regressivo espacial do erro.
Modelos espaciais:taxinomia
y = X +
Para = 0 e = 0, o modelo se torna auto-regressivo espacial de primeira
ordem
y = W1 y + X +
Anselin (1988) sugere duas interpretaes possveis para :
Contgio verdadeiro ou dependncia espacial substantiva: mede spill-overs espaciais ou
difuso (exemplos: adoo de inovaes e competio de impostos);
1
y = X + ( I W2 )
Uma interpretao para este modelo que a dependncia espacial seja vista como
uma nuansia (nuisance) (e o parmetro como um parmetro de nuisance) no
sentido de que ele reflete dependncia espacial em erros de medida ou em
variveis que no seriam de outra forma cruciais para o modelo (ou seja, a varivel
ignorada se espalha atravs das unidades espaciais).
Um exemplo
Modelo de convergncia
t = W t + ut
yi ,t +T
ln( ) = + ln( yi ,t ) + (I W)-1 ut
yi ,t
y i ,t +T y i ,t +T
ln( ) = + ln( y i ,t ) + W ln( ) + t
y i ,t y i ,t
Estimao dos modelos
espaciais
Limitaes do OLS
Estimador de verossimilhana
Limitaes do OLS
y = Wy + X +
y expresso com desvios da mdia.
A presena do termo Wy induz a uma correlao diferente
de zero com o erro.
O problema similar a presena de variveis endgenas, mas
diferente de variveis defasadas (lags) em sries temporais.
Limitaes do OLS
1
b = ( yL yL ) yL y,
yL = Wy
Substituindo y temos
b = + ( yL yL ) yL
1
Por que?
Limitaes do OLS
[ 1
E ( yL ) = E W ( I W ) 0]
Que igual a zero apenas quando =0.
A matriz inversa (I - W)-1 uma matriz cheia, e no
triangular, resultando em um srie infinita que envolve os
erros em todos os locais:
(I + W + W 2 2 3 3
+ W + )
Limitaes do OLS: consistncia
plim N 1 ( yL ) = 0
plim N 1 ( yL ) = plim N 1 W ( I W ) 1
E[ ] = 2 ( I W ) 1 ( I W ) 1
2 1
= [( I W ) ( I W )]
y = W1 y + X + (1)
= W2 + (2)
~ N (0, )
E os elementos diagonais da matriz so definidos como:
ii = hi ( z ) hi > 0
No todo, o modelo tem 3 + K + P parmetros desconhecidos, ou em
forma vetorial:
=[, , , 2, ]
Estimao por verossimilhana (MLE)
A = I W1
B = I W2
O qual d, para as equaes (1) e (2) do modelo:
Ay = X + (3)
B = (4)
Estimao por verossimilhana (MLE)
E ( ) =
diagonal, existe um vetor de distrbios aleatrios homocedsticos
, tal que
1
2
=
Ou de forma alternativa
1
= 2
E a equao (4) se torna
1
1
= B 2 (5)
Estimao por verossimilhana (MLE)
f ( y , X , ) =
Onde f uma forma funcional geral no-linear relacionando y, X e
um vetor de parmetros com os erros .
Estimao por verossimilhana (MLE)
J = det
y
O qual, usando (6), se torna:
| 1 2 BA |=| 1 2 || B || A | (7)
Estimao por verossimilhana (MLE)
N 1 1
L = ( ) ln(2 ) ( ) ln | | + ln | B | + ln | A | ( ) (8)
2 2 2
Com,
1
= ( Ay X ) B B( Ay X )
De (8) segue que a funo verossimilhana equivalente a
minimizao da soma do quadrado dos erros (transformados)
corrigido pelo determinante do Jacobiano.
| 1 2 BA |=> 0 (9)
que matrizes padronizadas usualmente significam que os parmetros
espaciais deveriam ser menores do que 1.
Estimao por verossimilhana (MLE)
Ord (1975) demonstrou que ele pode ser expresso como uma funo
dos auto- valores i da matriz de pesos espaciais, como (para caso
do modelo auto-regressivo):
N
I W = (1 i )
i =1
A funo de verossimilhana se tornaria:
N N 2
L = ln(1 i ) ( ) ln(2 ) ( ) ln( ) ( 2 ) (10)
i 2 2 2
Estimao por verossimilhana (MLE)
ML = ( X X ) 1 X ( I W ) y (11)
2
ML = ( y Wy X LM )( y Wy X LM ) / N (12)
Teste de Moran
LM para o lag
LM para o erro
Teste I de Moran (1950)
w
i j ij
Teste I de Moran (1950)
Para uma matriz padronizada pela linha, S0 simplifica para N (cada linha tem soma
igual a 1), a estatstica se torna:
Se utilizando disto, Cliff e Ord (1972) derivaram os dois primeiros momentos como:
E( I ) = tr(MW ) ( N K )
[tr ( MWMW ) + tr ( MW ) 2 + {tr ( MW )}2 ]
V (I ) =
[( N K )( N K + 2)] [ E ( I )]2
onde M = I X ( X X ) 1 X
Testes de LR para dependncia espacial (lag e erro)
( ) = E[ 2 L( ) ( ) ( )] a matriz de informao
L( ) a funo de verossimilhana.
~ o estimador de verossimilhana restrito de
Outros testes para dependncia espacial: erro
d = L =0
= ( W ) 2 (18)
Depois de computar a matriz de informao sob a hiptese nula, o teste se
torna:
~2
RS = d T = [( W ) 2 ]2 T (19)
onde T = tr[(W + W )W ]
Consequentemente, o teste requer apenas estimativas de OLS, e sob a
hiptese nula, temos
D
RS 12
Outros testes para dependncia espacial:lag
d = L =0
= ( Wy) 2 (20)
O teste RS ento dado por:
~2 ~ ~ 2 2 ~
RS = d T1 = [( Wy) ] T1 (21)
Convergence equation:
y i ,t +T
ln( ) = + ln( y i ,t ) + i ,t
y i ,t
where yi,t is the per capita income of the i state at the t year,
is constant
is the convergence coefficient to be estimated.
Convergence requires to be negative.
Club convergence
Club equation:
YS ,t + YS ,t
ln( ) = ( 1 + )ln( )
Yi ,t + Yi ,t
The ratio of the logs of Ys and Yi as a gap between the state of
largest per capita income (state s) and the state I.
Generalizing the model to include higher powers of dependent
variable, the equation above can be rewritten as:
K k
Gi ,t + = k (G i ,t )
k =1
where Gi is the ratio of logs or the gap between each state and
the one with largest per capita income.
Club convergence
0.8 C
Final gapl
0.6
B
0.4
A
0.2
relationship 45 degree line
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Initial gap
Spatial error model
t = W t + ut
-convergence model
yi ,t +T
ln( ) = + ln( yi ,t ) + (I W)-1 ut
yi ,t
Club convergence model
K k
Gi ,t + = k ( Gi ,t ) + (I W) 1 ut
k =1
Spatial lag model
-convergence model
y i ,t +T y i ,t +T
ln( ) = + ln( y i ,t ) + W ln( ) + t
y i ,t y i ,t
Club convergence model
K k
Gi ,t + = k ( Gi ,t ) + WGi ,t + + t
k =1
RR
RR AP
AP
AM
AM PA
PA
CE
CE RN
RN
MA
MA
PB
PB
PI
PI
PE
PE
AC
AC TO
TO
AL
AL
RO
RO
MT
MT SE
SE
BA
BA
GO
GO
MG
MG
ES
ES
MS
MS
SP
SP RJ
RJ
PR
PR
SC
SC
Gaps
>1
0,5 a 1
RS
RS 0 a 0,5
Relao espacial: plots de Moran
rn
pb
Gaps dos vizinhos (padronizados)
to
0.5
ba al
se
pa
go
0.0
apmt
am ac
rr
-0.5
ro
es
msmg
sc
-1.0
rg pr
rj
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1.1 1.2 1.3 1.4 1.5
initial gap
gaps 45 degree line
Concluses
Despite of not find strong indication a global convergence among the states,
the results of clubs equation demonstrated that the states of the South and
Southeast are in fact converging to the per capita income level of So Paulo,
while the states of the Northeast presented a divergence trend with respect to
the rest of the country.
The results of clubs were found only after the spatial correction. Such fact
demonstrates the importance of the spatial dimension for the convergence
problem among the Brazilian states.
Moran scatterplot real state per capita income,
1970
PR
Spatial Lag of Per-capita income (Standardized)
1.0
MG RJ
SC SP
RS
0.5
ES
GO
MT
0.0
AM DF
PA
AL
BA
-0.5
SE
PI PB
MA
-1.0
CE PE
RN
-1 0 1 2
Per-capita income (Standardized)
Moran scatterplot real state per capita
income, 1995
PR
Spatial Lag of Per-capita income (Standardized)
1.0
SC
MG RJ
RGS SP
0.5
GO
ES DF
MT
0.0
AM
BA
AL
-0.5
PA
PB SE
PI
-1.0
CE PE
MA RGN
-1 0 1 2