Spatial Data Analysis
空间数据分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主要介绍空间计量模型；所给细分没有空间计量，且空间相关本身不足以确认因果干扰或其他列出的具体方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
空间数据分析
- 研究问题
- 社会科学数据中的空间依赖和空间自相关如何影响传统计量分析，不同空间模型又如何表达和解释这些空间关系？
- 方法与思路
- 作者以手册章节形式介绍空间滞后、空间误差、解释变量空间滞后及空间杜宾模型，并通过伦敦房价实例说明应用和解释。
- 材料陈述的贡献
- 摘要将本章定位为入门性综述，提供空间依赖的概念、常见模型的直观解读及实践示例，没有明确提出新的估计理论。
- 阅读关注点
- 应核对空间权重矩阵的构建、各模型中系数与效应的区别，以及房价实例如何处理内生性并支撑对空间关系的解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获验证；摘要未说明实例的识别条件、估计细节或结果，不能仅凭介绍确认稳健性。
原文摘要
This handbook chapter provides an essential introduction to the field of spatial econometrics, offering a comprehensive overview of techniques and methodologies for analysing spatial data in the social sciences. Spatial econometrics addresses the unique challenges posed by spatially dependent observations, where spatial relationships among data points can be of substantive interest or can significantly impact statistical analyses. The chapter begins by exploring the fundamental concepts of spatial dependence and spatial autocorrelation, and highlighting their implications for traditional econometric models. It then introduces a range of spatial econometric models, particularly spatial lag, spatial error, spatial lag of X, and spatial Durbin models, illustrating how these models accommodate spatial relationships and yield accurate and insightful results about the underlying spatial processes. The chapter provides an intuitive guide on how to interpret those different models. A practical example on London house prices demonstrates the application of spatial econometrics, emphasising its relevance in uncovering hidden spatial patterns, addressing endogeneity, and providing robust estimates in the presence of spatial dependence.