13 Econometria Espacial

Introdução à Econometria Espacial
Alexandre Porsse • Vinícius Vale
 Professordo Departamento de Economia e do Programa de Pós-Graduação em Desenvolvimento

Econômico (PPGDE) da Universidade Federal do Paraná (UFPR) e Pesquisador do Núcleo de Estudos
em Desenvolvimento Urbano e Regional (NEDUR)
Material desenvolvido para a disciplina Economia Regional e Urbana do Curso de Ciências

Econômicas da Universidade Federal do Paraná (UFPR). Os professores autorizam o uso
desse material em outros cursos desde que devidamente citados os créditos.
Agosto/2020
Tópicos
• Introdução
• Modelo clássico de regressão linear
• Modelos espaciais
• Interpretação de coeficientes
• Testes de especificação
• Especificação de modelos espaciais
• Estimação de modelos espaciais
Economia Regional e Urbana – SE314 – Prof. Alexandre Porsse e Prof. Vinícius Vale 2
Introdução
Relembrando...
• O que é Análise Espacial?

Consiste em métodos e técnicas que buscam identificar padrões de
associação espacial (dependência e heterogeneidade espaciais) nos
fenômenos socioeconômicos com o objetivo de compreender suas
estruturas e dinâmicas no espaço, contribuindo para a formulação e
avaliação de políticas públicas e privadas
• Efeitos espaciais:
o Dependência espacial: interação dos agentes através do espaço.
o Heterogeneidade espacial: instabilidade estrutural através do espaço.
Introdução
• Por que estudar Econometria Espacial?
Necessidade de um modelo que controle os efeitos espaciais:

o Heterogeneidade espacial
o Autocorrelação (dependência) espacial
Introdução
• Um modelo econométrico-espacial envolve a incorporação de

defasagens espaciais ao modelo clássico de regressão linear.
• As defasagens relacionadas aos processos espaciais podem assumir três

formas de defasagem:
o na variável dependente (𝑊𝑦)

o nas variáveis independentes (𝑊𝑋); e/ou
o nos termos de erros (𝑊𝜉 ou 𝑊𝜀).
Modelo clássico de regressão linear
• O Modelo Clássico de Regressão Linear (MCRL) é dado por:
𝑦 = 𝑋𝛽 + 𝜀 𝜀 ~ 𝑁 0, 𝜎 2 𝐼𝑛
em que 𝑦 é um vetor com a variável dependente (𝑛 por 1); 𝑋 é uma matriz

(𝑛 por k) com as variáveis explicativas exógenas (mais a constante); 𝛽 é
um vetor de coeficientes de regressão (k por 1); e 𝜀 é o vetor (𝑛 por 1) dos
termos de erro aleatório.
• Nesse modelo não existe interação espacial entre as regiões.
• A equação não incorpora nenhuma defasagem espacial.
Modelos espaciais
• Caso simples de simultaneidade espacial com duas regiões:

n = 2 equações
𝑦1 = α12 𝑦2 + 𝑋1 𝛽 + 𝜀1 𝜀1 ~ 𝑁 0, 𝜎 2
𝑦2 = α21 𝑦1 + 𝑋2 𝛽 + 𝜀2 𝜀2 ~ 𝑁(0, 𝜎 2 )
𝛽0
𝑦1 0 α12 𝑦1 1 𝑥11 𝑥12 𝜀
𝑦2 = 𝑦2 + 𝛽1 + 𝜀1
α21 0 1 𝑥21 𝑥22 2
𝛽2
α12 𝛽0
𝑦1 0 ൗ𝜌 𝑦1 1 𝑥11 𝑥12 𝜀
𝑦2 = 𝜌 α21 𝑦2 + 𝛽1 + 𝜀1
ൗ𝜌 0 1 𝑥21 𝑥22 2
𝛽2
𝛽0
𝑦1 0 𝑤12 𝑦1 1 𝑥11 𝑥12 𝜀
𝑦2 = 𝜌 𝑦2 + 𝛽1 + 𝜀1
𝑤21 0 1 𝑥21 𝑥22 2
𝛽2
Modelos espaciais
𝛽0
𝑦1 0 𝑤12 𝑦1 1 𝑥11 𝑥12 𝜀
𝑦2 = 𝜌 𝑦2 + 𝛽1 + 𝜀1
𝑤21 0 1 𝑥21 𝑥22 2
𝛽2
• Na equação acima temos duas observações e cinco incógnitas a definir,

três referentes ao vetor 𝛽 (𝛽0 , 𝛽1 e 𝛽2 ), e outras duas associadas a
dependência espacial (𝜌𝑤21 e 𝜌𝑤12 ).
Modelos espaciais
• Caso geral - n regiões (equações):
𝑦 = 𝜌𝑊𝑦 + 𝑋𝛽 + 𝜀 𝜀~ 𝑁 0, 𝜎 2 𝐼
em que 𝜌 é o coeficiente de dependência espacial (defasagem auto-

regressiva) e 𝑊 é a matriz de peso espacial.
• Observação:
𝑤𝑖𝑗 = 0 𝑠𝑒 𝑖 = 𝑗
𝑤𝑖𝑗 ≠ 0 𝑠𝑒 𝑖 ≠ 𝑗: existe relação de vizinhança entre i e j.
Modelos de dependência espacial
de alcance global
• Modelos econométrico-espaciais de alcance global são caracterizados

por hospedar a dependência espacial cujo alcance do transbordamento é
global.
• O multiplicador espacial faz com que um impacto sobre a variável

dependente seja refletido para todas as regiões da área de estudo.
• Exemplos:
o Modelo de defasagem espacial (SAR)
o Modelo de erro autorregressivo espacial (SEM)
o Modelo de defasagem espacial com erro autorregressivo espacial (SAC)
de alcance local
• Modelos econométrico-espaciais de alcance local são caracterizados

por hospedar a dependência espacial cujo alcance é localizado.
• O impacto da dependência espacial é observado para apenas algumas

regiões da área de estudo, sobretudo os vizinhos diretos e os vizinhos
indiretos de segunda ordem (vizinhos dos vizinhos).
• Exemplos:
o Modelo de erro de média móvel espacial (SMA)
o Modelo regressivo cruzado espacial (SLX)
o Modelo regressivo cruzado espacial com erro de média móvel espacial
(SLXMA)
• Existem modelos de dependência espacial de alcance global e local.
• Exemplos:
o Modelo de Durbin espacial (SDM)
o Modelo de defasagem espacial com erro de média móvel espacial
(SARMA)
o Modelo de Durbin espacial do erro (SDEM)
Modelo de defasagem espacial (SAR)
• O modelo de defasagem espacial (SAR - Spatial Auto Regressive) é

dado na sua versão pura por:
𝑦 = 𝜌𝑊𝑦 + 𝜀 𝜀~𝑁 0, 𝜎 2 𝐼𝑛
em que 𝑊𝑦 é um vetor 𝑛 por 1 de defasagens espaciais para a variável

dependente; 𝜌 é o coeficiente autorregressivo espacial; e 𝜀 o termo de
erro.
• Na sua versão mista, o modelo SAR inclui variáveis explicativas:
𝑦 = 𝜌𝑊𝑦 + 𝑋𝛽 + 𝜀 𝜀~𝑁 0, 𝜎 2 𝐼𝑛
em que 𝑋 é uma matriz de variáveis explicativas exógenas.
• O modelo SAR misto,
𝑦 = 𝜌𝑊𝑦 + 𝑋𝛽 + 𝜀 𝜀~𝑁 0, 𝜎 2 𝐼𝑛
é especificado para que o valor da variável dependente observado numa

determinada região seja determinado pela média dos valores da variável
dependente observados na vizinhança (𝑊𝑦), pelos valores das variáveis
explicativas (𝑋) e que seja influenciado aleatoriamente por um termo de
erro (𝜀).
• O valor de 𝜌 situa-se entre -1 e 1:
𝜌 <1
• Se 𝜌 for positivo, isso indica que existe um autocorrelação espacial

global positiva.
o Um alto (baixo) valor de 𝑦 nas regiões vizinhas aumenta (diminui) o

valor de 𝑦 na região i.
• Se 𝜌 for negativo, isso indica que existe um autocorrelação espacial

global negativa.
o Um alto (baixo) valor de 𝑦 nas regiões vizinhas diminui (aumenta) o

valor de 𝑦 na região i.
• Se o parâmetro não for estatisticamente significativo, o coeficiente

pode ser considerado como zero, o que indica evidências de ausência de
autocorrelação espacial.
• A forma reduzida da versão mista do modelo SAR é dada por:
𝑦 = 𝐼𝑛 − 𝜌𝑊 −1 𝑋𝛽 + 𝜀
𝐸[𝑦] = 𝐸[ 𝐼𝑛 − 𝜌𝑊 −1 𝑋𝛽 + 𝜀 ]
𝐸[𝑦] = 𝐼𝑛 − 𝜌𝑊 −1 𝐸[ 𝑋𝛽 + 𝜀 ] = 𝐼𝑛 − 𝜌𝑊 −1 𝑋𝛽
• Se 𝜌 < 1, temos que:
𝐼𝑛 − 𝜌𝑊 −1 = 𝐼 + 𝜌𝑊 + 𝜌2 𝑊 2 + ⋯
𝐸[𝑦] = 𝐼 + 𝜌𝑊 + 𝜌2 𝑊 2 + ⋯ 𝑋𝛽
Multiplicador Espacial
(simultaneidade da interação)
• Pela matriz 𝐼 + 𝜌𝑊 + 𝜌2 𝑊 2 + ⋯ tem-se que cada região é

autocorrelacionada com todas as outras, mas de forma que a intensidade
da autocorrelação decresce dado que 𝜌 < 1.
• O alcance de um choque é global porque se propaga por todo espaço:
o No epicentro de ocorrência do choque, a sua intensidade é maior e, à
medida que se distancia, a intensidade perde força.
• A interpretação dos coeficientes num modelo espacial pode ser mais

complexa por conta dos efeitos indiretos e re-alimentadores entre as
regiões dado os transbordamentos espaciais.
• Seja n = 3, tal que:
0 1 0
𝑊 = 1Τ2 0 1Τ2
0 1 0
1 −𝜌 0
𝐼 − 𝜌𝑊 = −𝜌Τ2 1 −𝜌Τ2
0 −𝜌 1
1 − 𝜌 2Τ2 𝜌 𝜌2 Τ2
−1
1
𝐼 − 𝜌𝑊 = 𝜌Τ2 1 𝜌Τ2
1 − 𝜌2
𝜌2 Τ2 𝜌 1 − 𝜌 2Τ2
• Neste caso, os coeficientes angulares são definidos como:
𝑑𝑦1 𝑑𝑦1 𝑑𝑦1

𝑑𝑥1𝑗 𝑑𝑥2𝑗 𝑑𝑥3𝑗
𝑑𝑦2 𝑑𝑦2 𝑑𝑦2 𝛽𝑗 1 − 𝜌 2/2 𝜌 𝜌 2/2
= 𝜌/2 1 𝜌/2
𝑑𝑥1𝑗 𝑑𝑥2𝑗 𝑑𝑥3𝑗 1 − 𝜌2 2
𝜌 /2 𝜌 1 − 𝜌 2/2
• As derivadas na diagonal principal têm a seguinte propriedade:
𝑑𝑦1 𝑑𝑦3 𝛽𝑗 𝜌2 2−𝜌2

= = 1− = 𝛽𝑗 > 𝛽𝑗
𝑑𝑥1𝑗 𝑑𝑥3𝑗 1−𝜌2 2 2−2𝜌2
𝑑𝑦2 𝛽𝑗
= > 𝛽𝑗
𝑑𝑥2𝑗 1−𝜌2
• E os efeitos podem ser decompostos tal que:

𝑑𝑦2 𝑑𝑦2 𝑑𝑦2 𝛽𝑗 1 − 𝜌 2/2 𝜌 𝜌 2/2
A= = 𝜌/2 1 𝜌/2
𝑑𝑥1𝑗 𝑑𝑥2𝑗 𝑑𝑥3𝑗 1 − 𝜌2
𝜌 2/2 𝜌 1 − 𝜌 2/2
1
• 𝐸𝐷 = 𝑡𝑟 𝐴 ≡ Impacto direto médio (média dos termos da diagonal principal)
𝑛
• 𝐸𝐼 = 𝐸𝑇 − 𝐸𝐷 ≡ Impacto indireto médio (média dos termos fora da diagonal principal)

1
• 𝐸𝑇 = 𝑖𝑛′ 𝐴 𝑖𝑛 ≡ Impacto total médio
𝑛
Modelo de erro espacial (SEM)
• O modelo de erro autorregressivo espacial (SEM - Spatial Erro Model)

é dado por:
𝑦 = 𝑋𝛽 + 𝜉
𝜉 = 𝜆𝑊𝜉 + 𝜀 𝜀~𝑁 0, 𝜎 2 𝐼𝑛
em que 𝜆 é o parâmetro do erro autorregressivo espacial que acompanha

a defasagem 𝑊𝜉.
• Os erros associados com qualquer observação são uma média dos erros
nas regiões vizinhas mais um componente de erro aleatório.
• A forma reduzida do modelo pode ser representada por:
𝑦 = 𝑋𝛽 + 𝐼𝑛 − 𝜆𝑊 −1 𝜀
𝐸[𝑦] = 𝑋𝛽
• Se 𝜆 < 1, temos que:
𝐼𝑛 − 𝜆𝑊 −1 = 𝐼𝑛 + 𝜆𝑊 + 𝜆2 𝑊 2 + ⋯
• Pela matriz (𝐼𝑛 + 𝜆𝑊 + 𝜆2 𝑊 2 + ⋯) tem-se que cada região é auto-

correlacionada com todas as outras, mas de forma que a intensidade da
autocorrelação decresce dado que 𝜆 < 1.
• O alcance de um choque é global porque se propaga por todo espaço.
o No epicentro de ocorrência do choque, a sua intensidade é maior e, à

medida que se distancia, a intensidade perde força.
• A interpretação dos coeficientes 𝛽 não é afetada no modelo SEM.

• Cada 𝛽 é entendido como o efeito marginal (derivada parcial de 𝑦 em
relação à variável explicativa em questão):
𝜕𝑦𝑖
𝛽𝑘 =
𝜕𝑋𝑖𝑘
Modelo de Kelejian-Prucha (SAC)
o O modelo de defasagem espacial com erro de média móvel espacial

(SAC) é dado por:
𝑦 = 𝜌𝑊1 𝑦 + 𝑋𝛽 + 𝜉
𝜉 = 𝜆𝑊2 𝜉 + 𝜀 𝜀~𝑁 0, 𝜎 2 𝐼𝑛
• As restrições sobre os parâmetros espaciais exigem que:
𝜌 <1e 𝜆 <1
Modelo de Kelejian-Prucha (SAC)
• A forma reduzida do modelo pode ser representada por:
𝑦 = 𝐼𝑛 − 𝜌𝑊1 −1 𝑋𝛽 + 𝐼𝑛 − 𝜌𝑊1 −1 𝐼𝑛 − 𝜆𝑊2 −1 𝜀
• Um choque na região j afeta todas as outras regiões por intermédio do

multiplicador espacial do processo SAR da defasagem espacial,
amplificado pelo efeito multiplicador extra proporcionado pelo processo de
erro espacial.
Testes de especificação
Teste I de Moran:
• Trata-se de um teste simples sobre a autocorrelação espacial dos resíduos
da regressão do modelo MQO:
n n
n wij ( yi − y )( y j − y )
i =1 j =1
I=
 n n n
  wij  ( yi − y ) 2
 
 i =1 j =1  j =1
• Hipótese nula: resíduos da regressão estimada por MQO são distribuídos

aleatoriamente ao longo do espaço.
• Critério do teste: se H0 é rejeitada, os resíduos são autocorrelacionados
espacialmente.
• Hipótese alternativa: há dependência espacial.
Teste I de Moran:
• Vantagens:
o Simplicidade computacional
• Desvantagens:
o Possui poder contra uma série de problemas da regressão: má
especificação do modelo, heterocedasticidade e ausência de
normalidade nos resíduos.
o Não aponta qual tipo de autocorrelação espacial é predominante.
Teste 𝑴𝑳𝝆 :
• Trata-se de um teste do tipo multiplicador de Lagrange para detectar a
defasagem espacial da variável dependente:
2
𝑒 ′ 𝑊𝑦
𝑠2
𝑀𝐿𝜌 = ′
𝑊𝑋𝛽෠ 𝑀𝑊𝑋𝛽෠
+ 𝑡𝑟 𝑊 ′ 𝑊 + 𝑊 2
𝑠2
• Hipótese nula (H0): 𝜌 = 0, assumindo 𝜆 = 0.

• Hipótese alternativa (H1): 𝜌 ≠ 0.
Teste 𝑴𝑳𝝆 :
• Vantagens:
o Facilidade computacional
o Robusta contra erros não normais
o Robusta na presença de heterocedasticidade
o Discriminação do tipo de autocorrelação espacial
• Desvantagens:
o Falta de poder – H0 é frequentemente rejeitada (mesmo quando ela é
verdadeira).
Teste 𝑴𝑳𝝀 :
• Trata-se de um teste do tipo multiplicador de Lagrange para detectar
autocorrelação espacial na forma do modelo SEM:
2
𝑒 ′ 𝑊𝑒
𝑠2
𝑀𝐿𝜆 =
𝑡𝑟 𝑊 ′ 𝑊 + 𝑊 2
• Hipótese nula (H0): 𝜆 = 0, assumindo 𝜌 = 0.

• Hipótese alternativa (H1): 𝜆 ≠ 0.
Teste 𝑴𝑳𝝀 :
• Vantagens:
o Facilidade computacional
o Discriminação do tipo de autocorrelação espacial
• Desvantagens:
o Possui poder contra uma série de problemas da regressão:
heterocedasticidade e ausência de normalidade nos resíduos.
o Falta de poder – H0 é frequentemente rejeitada (mesmo quando ela é
verdadeira).
Teste 𝑴𝑳𝝀𝝆 :
• Trata-se de um teste do tipo multiplicador de Lagrange para detectar
autocorrelação espacial na forma do modelo SAC (defasagem e erro
autorregressivo espacial incluídos juntos):
2 2
𝑒 ′ 𝑊𝑦 𝑒 ′ 𝑊𝑒 𝑒 ′ 𝑊𝑒
− 2
𝜎2 𝜎 𝑠2
𝑀𝐿𝜆𝜌 = +
𝑊𝑋𝛽 ′ 𝑀(𝑊𝑋𝛽) 𝑡𝑟 𝑊𝑊 + 𝑊 ′ 𝑊
𝜎2
• Hipótese nula (H0): 𝜆 = 0 ou 𝜌 = 0.

• Hipótese alternativa (H1): 𝜆 ≠ 0 ou 𝜌 ≠ 0
Teste 𝑴𝑳𝝀𝝆 :
• Desvantagens:
o Indefinição da fonte de erro espacial quando a hipótese nula é
rejeitada.
• Os testes robustos são similares aos testes anteriores, porém, incorporam

um fator de correção para levar em conta a má especificação.
• Apresentam uma solução para a superrejeição de H 0 dos testes 𝑀𝐿.
Teste 𝑴𝑳∗𝝆 :
• Hipótese nula (H0): 𝜌 = 0, assumindo 𝜆 = 0.
• Hipótese alternativa (H1): 𝜌 ≠ 0.
Teste 𝑴𝑳∗𝝀 :
• Hipótese nula (H0): 𝜆 = 0, assumindo 𝜌 = 0.
• Hipótese alternativa (H1): 𝜆 ≠ 0.
Especificação de modelos espaciais
• Abordagem de especificação clássica (geral):

1. Estima-se o modelo clássico de regressão linear (MCRL) por MQO;
2. Computam-se 𝑀𝐿𝜌 e 𝑀𝐿𝜆 ;
3. Seambas estatísticas são não significativas, considera-se o modelo a-
espacial MCRL como melhor especificação;
4. Se
ambas forem significativas, escolhe-se a mais significativa: (i) Se
𝑀𝐿𝜌 > 𝑀𝐿𝜆 , estima-se o modelo SAR; e (ii) Se 𝑀𝐿𝜆 > 𝑀𝐿𝜌 , estima-se o
modelo SEM.
5. Se 𝑀𝐿𝜌 for significativa e 𝑀𝐿𝜆 não, estima-se o modelo SAR;
6. Se for 𝑀𝐿𝜆 significativa e 𝑀𝐿𝜌 não, estima-se o modelo SEM.
• O procedimento robusto de especificação segue os mesmos passos, apenas
substitui os testes 𝑀𝐿 tradicionais pelas suas versões robustas.
Estima-se o modelo
Procedimento
MCRL por MQO:
Clássico
𝑦 = 𝑋𝛽 + 𝜀 Estima-se o
modelo SEM
Diagnóstico ML
(𝑀𝐿𝜆 e 𝑀𝐿𝜌 )
𝑀𝐿𝜆
Apenas uma
Ambas não significativas
Significativa? significativa
(nem 𝑀𝐿𝜆 , nem 𝑀𝐿𝜌 )
(𝑀𝐿𝜆 ou 𝑀𝐿𝜌 )
𝑀𝐿𝜌
Ambas
Pare e mantenha os significativas
resultados do (𝑀𝐿𝜆 e 𝑀𝐿𝜌 )
modelo MCRL Estima-se o
Qual é mais significativa? modelo SAR
𝑀𝐿𝜆 > 𝑀𝐿𝜌 𝑀𝐿𝜌 > 𝑀𝐿𝜆
Estima-se o modelo SEM Estima-se o modelo SAR
Estima-se o modelo
Procedimento
MCRL por MQO:
Robusto
𝑦 = 𝑋𝛽 + 𝜀 Estima-se o
modelo SEM
Diagnóstico ML
(𝑀𝐿𝜆∗ e 𝑀𝐿𝜌∗ )
𝑀𝐿∗𝜆
Apenas uma
(nem 𝑀𝐿∗𝜆 , nem 𝑀𝐿∗𝜌 )
(𝑀𝐿∗𝜆 ou 𝑀𝐿∗𝜌 )
𝑀𝐿∗𝜌
Ambas
resultados do (𝑀𝐿∗𝜆 e 𝑀𝐿𝜌∗ )
Qual é mais significativa? modelo SAR
𝑀𝐿∗𝜆 > 𝑀𝐿∗𝜌 𝑀𝐿∗𝜌 > 𝑀𝐿∗𝜆
• Abordagem híbrida de especificação:

1. Estima-se o modelo clássico de regressão linear (MCRL) por MQO;
2. Computam-se 𝑀𝐿𝜌 e 𝑀𝐿𝜆 ;
3. Se
ambas estatísticas são não significativas, considera-se o modelo a-
espacial MCRL como melhor especificação;
4. Se 𝑀𝐿𝜌 for significativa e 𝑀𝐿𝜆 não, estima-se o modelo SAR;
5. Se for 𝑀𝐿𝜆 significativa e 𝑀𝐿𝜌 não, estima-se o modelo SEM.
6. Seambas forem significativas, escolhe-se a mais significativa pela
versão robusta 𝑀𝐿∗𝜌 e 𝑀𝐿∗𝜆 : (i) Se 𝑀𝐿∗𝜌 > 𝑀𝐿∗𝜆 , estima-se o modelo SAR;
e (ii) Se 𝑀𝐿∗𝜆 > 𝑀𝐿∗𝜌 , estima-se o modelo SEM.
Estima-se o modelo
Procedimento MCRL por MQO:
Híbrido 𝑦 = 𝑋𝛽 + 𝜀
Estima-se o
modelo SEM
Diagnóstico ML
(𝑀𝐿𝜆 e 𝑀𝐿𝜌 )
Ambas uma 𝑀𝐿𝜆
(nem 𝑀𝐿𝜆 , nem 𝑀𝐿𝜌)
(𝑀𝐿𝜆 ou 𝑀𝐿𝜌 )
Ambas 𝑀𝐿𝜌
resultados do (𝑀𝐿𝜆 e 𝑀𝐿𝜌 )
Diagnóstico ML Robusto modelo SAR
(𝑀𝐿∗𝜆 e 𝑀𝐿𝜌∗ )
𝑀𝐿∗𝜆 Significativa? 𝑀𝐿∗𝜌
Estimação de modelos espaciais
• Na econometria espacial, os estimadores mais adotados em aplicações

são baseados no princípio da máxima verossimilhança e os baseados no
princípio do método generalizado dos momentos.
• O método de MQO pode não ser apropriado.
o No modelo SAR, o coeficiente espacial 𝜌 é viesado e inconsistente se
estimado por MQO.
o No modelo SEM, as estimativas por MQO são não viesadas e
consistentes, porém são ineficientes.
Referências
Básica:
• ALMEIDA, E. S. Econometria Espacial Aplicada. Campinas: Editora

Alínea, 2012.
o Capítulo 5: Modelando a Dependência Espacial
o Capítulo 7: Especificando e Testando a Dependência Espacial
• GOLGHER, A. B. Introdução à Econometria Espacial. Jundiaí, Paco

Editorial, 2015.
o Capítulo 1: Conceitos iniciais da Econometria Espacial
o Capítulo 2: Interpretando os coeficientes dos modelos espaciais
Contato
• Professores:
Prof. Alexandre Alves Porsse:

porsse@gmail.com
Prof. Vinícius de Almeida Vale:

vinicius.a.vale@gmail.com

13 Econometria Espacial

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

13 Econometria Espacial

Enviado por

Direitos autorais:

Formatos disponíveis

Introdução à Econometria Espacial

Alexandre Porsse • Vinícius Vale

 Professordo Departamento de Economia e do Programa de Pós-Graduação em Desenvolvimento

Material desenvolvido para a disciplina Economia Regional e Urbana do Curso de Ciências

• O que é Análise Espacial?

• Por que estudar Econometria Espacial?

Necessidade de um modelo que controle os efeitos espaciais:

• Um modelo econométrico-espacial envolve a incorporação de

• As defasagens relacionadas aos processos espaciais podem assumir três

o na variável dependente (𝑊𝑦)

• O Modelo Clássico de Regressão Linear (MCRL) é dado por:

em que 𝑦 é um vetor com a variável dependente (𝑛 por 1); 𝑋 é uma matriz

• Nesse modelo não existe interação espacial entre as regiões.

• A equação não incorpora nenhuma defasagem espacial.

• Caso simples de simultaneidade espacial com duas regiões:

• Na equação acima temos duas observações e cinco incógnitas a definir,

• Caso geral - n regiões (equações):

em que 𝜌 é o coeficiente de dependência espacial (defasagem auto-

• Modelos econométrico-espaciais de alcance global são caracterizados

• O multiplicador espacial faz com que um impacto sobre a variável

• Modelos econométrico-espaciais de alcance local são caracterizados

• O impacto da dependência espacial é observado para apenas algumas

• Existem modelos de dependência espacial de alcance global e local.

• O modelo de defasagem espacial (SAR - Spatial Auto Regressive) é

em que 𝑊𝑦 é um vetor 𝑛 por 1 de defasagens espaciais para a variável

em que 𝑋 é uma matriz de variáveis explicativas exógenas.

• O modelo SAR misto,

é especificado para que o valor da variável dependente observado numa

• Se 𝜌 for positivo, isso indica que existe um autocorrelação espacial

o Um alto (baixo) valor de 𝑦 nas regiões vizinhas aumenta (diminui) o

• Se 𝜌 for negativo, isso indica que existe um autocorrelação espacial

o Um alto (baixo) valor de 𝑦 nas regiões vizinhas diminui (aumenta) o

• Se o parâmetro não for estatisticamente significativo, o coeficiente

• A forma reduzida da versão mista do modelo SAR é dada por:

• Se 𝜌 < 1, temos que:

• Pela matriz 𝐼 + 𝜌𝑊 + 𝜌2 𝑊 2 + ⋯ tem-se que cada região é

• A interpretação dos coeficientes num modelo espacial pode ser mais

• Neste caso, os coeficientes angulares são definidos como:

𝑑𝑦1 𝑑𝑦1 𝑑𝑦1

• As derivadas na diagonal principal têm a seguinte propriedade:

𝑑𝑦1 𝑑𝑦3 𝛽𝑗 𝜌2 2−𝜌2

• E os efeitos podem ser decompostos tal que:

𝑑𝑦1 𝑑𝑦1 𝑑𝑦1

• 𝐸𝐼 = 𝐸𝑇 − 𝐸𝐷 ≡ Impacto indireto médio (média dos termos fora da diagonal principal)

• O modelo de erro autorregressivo espacial (SEM - Spatial Erro Model)

em que 𝜆 é o parâmetro do erro autorregressivo espacial que acompanha

• A forma reduzida do modelo pode ser representada por:

• Pela matriz (𝐼𝑛 + 𝜆𝑊 + 𝜆2 𝑊 2 + ⋯) tem-se que cada região é auto-

• O alcance de um choque é global porque se propaga por todo espaço.

o No epicentro de ocorrência do choque, a sua intensidade é maior e, à

• A interpretação dos coeficientes 𝛽 não é afetada no modelo SEM.

o O modelo de defasagem espacial com erro de média móvel espacial

• As restrições sobre os parâmetros espaciais exigem que:

• A forma reduzida do modelo pode ser representada por:

𝑦 = 𝐼𝑛 − 𝜌𝑊1 −1 𝑋𝛽 + 𝐼𝑛 − 𝜌𝑊1 −1 𝐼𝑛 − 𝜆𝑊2 −1 𝜀

• Um choque na região j afeta todas as outras regiões por intermédio do

• Hipótese nula: resíduos da regressão estimada por MQO são distribuídos

• Hipótese nula (H0): 𝜌 = 0, assumindo 𝜆 = 0.

• Hipótese nula (H0): 𝜆 = 0, assumindo 𝜌 = 0.

• Hipótese nula (H0): 𝜆 = 0 ou 𝜌 = 0.

• Os testes robustos são similares aos testes anteriores, porém, incorporam

• Abordagem de especificação clássica (geral):