空间误差模型（SEM）

一、直观理解：不是 $y$ 直接传染，而是“没写进模型的东西”在空间上成片

空间误差模型（Spatial Error Model）假定：

$$y=X\beta+u,\quad u=\lambda Wu+\varepsilon$$

因变量的条件均值仍是 $X\beta$，但误差 $u$ 存在空间自相关。$\lambda$ 衡量残差的空间传导。

直观场景：

• 相邻县共享未观测的气候、文化、基础设施；
• 模型漏掉了在空间上平滑的因子，导致 OLS 残差成片同号。

与 SAR 对比：

	SAR（空间滞后）	SEM（空间误差）
依赖位置	出现在 $y$ 的方程右侧	出现在误差结构
溢出	有实质性间接效应	通常无 $X$ 的空间乘数溢出
$\beta$ 含义	需效应分解	更接近经典偏效应（在模型正确时）
典型动机	策略互动、社会互动	遗漏空间相关因素、测量成片

二、适用场景与优缺点

类型	说明
适用场景	LM 检验偏向 error；理论不强调 y 互动，但残差 Moran 显著；主要关心 $X$ 的偏效应并修正推断。
核心优点	纠正空间相关误差导致的 SE 问题；$\beta$ 解释相对直接；可作为 OLS 的空间稳健升级。
局限与缺点	若真是 SAR 却拟合 SEM，设定错误；仍依赖 $W$；不自动解决内生 $X$；大样本 MLE 计算要处理 $

三、核心原理

由 $u=\lambda Wu+\varepsilon$ 得 $u=(I-\lambda W)^{-1}\varepsilon$，于是

$$y=X\beta+(I-\lambda W)^{-1}\varepsilon$$

协方差 $\mathrm{Var}(y)=\sigma^2(I-\lambda W)^{-1}(I-\lambda W^\mathsf{T})^{-1}$（$W$ 对称时更简）。

估计：

• 正态 MLE：在 $\lambda$ 上优化集中似然；
• GMM 等半参数方法。

若忽略空间误差直接 OLS：$\hat\beta$ 在 $X$ 外生时仍可无偏/一致，但 SE 一般错误，检验不可靠。这与时间序列自相关类似。

诊断路径（经典）：

1. OLS + 残差 Moran；
2. LM-error、LM-lag 及稳健 LM；
3. 选 SEM / SAR / 空间杜宾（SDM）等；
4. 估计后再次检查残差空间相关。

四、关键决策

1. SEM 还是 SAR？

有理论互动 → 偏 SAR/SDM；仅怀疑遗漏空间因子 → SEM；两者都可能 → 空间杜宾并检验约束。

2. 是否需要杜宾

SDM：$y=\rho Wy+X\beta+WX\theta+\varepsilon$ 更一般；可检验 $\theta=0,\rho=0$ 等退化为 SEM/SAR。

3. 报告重点

$\beta$ 的点估计与正确 SE/p；$\lambda$；$W$；模型选择依据。

五、MATLAB 示例

rng(19);
m = 10; n = m*m;
[ix, iy] = ind2sub([m,m], 1:n);
W = zeros(n);
for i = 1:n
    for j = i+1:n
        if abs(ix(i)-ix(j))+abs(iy(i)-iy(j))==1
            W(i,j)=1; W(j,i)=1;
        end
    end
end
W = W ./ max(sum(W,2),1);

x = randn(n,1);
beta = 2.0; lambda_true = 0.55;
eps = randn(n,1);
u = (eye(n)-lambda_true*W)\eps;
y = x*beta + u;

% OLS
mdl = fitlm(x, y);
disp(mdl);

% 残差 Moran
e = mdl.Residuals.Raw; ec = e - mean(e);
I = (n/sum(W(:))) * (ec'*W*ec)/(ec'*ec);
fprintf("OLS 残差 Moran I = %.3f\n", I);

% 粗网格估计 lambda（profile MLE 思想）
% 变换: e = (I-lambda W)(y - Xb)，先对每个 lambda GLS 式回归
lambdas = 0.05:0.05:0.9;
logL = -inf(size(lambdas));
bhat = zeros(size(lambdas));
for i = 1:numel(lambdas)
    L = lambdas(i);
    A = eye(n) - L*W;
    yt = A*y; xt = A*x;
    b = xt\yt;
    r = yt - xt*b;
    s2 = mean(r.^2);
    logL(i) = log(det(A)) - n/2*log(s2);
    bhat(i) = b;
end
[~,ii] = max(logL);
fprintf("粗 MLE: lambda≈%.2f, beta≈%.3f (真值 %.2f, %.2f)\n", ...
    lambdas(ii), bhat(ii), lambda_true, beta);

figure;
subplot(1,2,1); plot(lambdas, logL, "-o"); xline(lambdas(ii));
title("SEM profile logL"); xlabel("\lambda"); grid on;
subplot(1,2,2); scatter(x,y,20,"filled"); hold on;
xx = linspace(min(x),max(x),50);
plot(xx, mdl.Coefficients.Estimate(1)+mdl.Coefficients.Estimate(2)*xx, "r-");
% 无截距时 Estimate 索引请按实际模型调整
title("数据散点"); grid on;

说明：上例为教学简化（无截距、网格搜 $\lambda$）。正式研究应使用完备 MLE（含截距与信息矩阵 SE）或专业空间计量包。

六、如何解释结果

1. 为何 SEM：诊断 + 理论；
2. $W$ 定义；
3. $\hat\beta$ 与推断（已考虑空间误差）；
4. $\hat\lambda$ 的含义（残差集聚强度）；
5. 与 OLS、SAR 的对照表；
6. 残差空间相关是否消除。

七、常见误区

1. 残差相关就一定 SEM

也可能是 SAR 或漏掉 $WX$。

2. 认为 SEM 估计了溢出效应

标准 SEM 不产生 $X$ 的空间间接效应。

3. 只修 SE 不思考漏变量

空间相关误差是症状，根因可能是未测混杂。

4. 把 $\lambda$ 解释成政策传染强度

那是 $\rho$ 的叙事，不是 $\lambda$。

八、小结

SEM 的核心是：

回归均值仍由 $X\beta$ 解释，但误差遵循 $u=\lambda Wu+\varepsilon$ 的空间过程。

它适合“遗漏成片因素”导致的空间相关，能纠正推断。模型选择应结合 LM 诊断与 substantive 理论，并在 SAR、SEM、SDM 之间做可复核的比较。