Ответ на вопрос
Кратко и по существу — сравнение двух подходов при изучении пространственной модели безработицы в регионе.
1) Картографический анализ (ESDA, визуализация)
- Нужные данные:
- пространственная разбивка: границы участков/районов, координаты центроидов;
- локальные показатели: уровень безработицы \(y_i\) (процент/коэффициент) по участкам, плотности населения, демография;
- базовые контекстные переменные (доходы, образование, занятость по секторам) для тематических карт;
- опционально: точки работодателей, транспортные узлы, потоковые/коммутировочные данные.
- Методы:
- картирование (хлороплеты, пропорциональные символы), сглаживание (фильтры, kernel density);
- глобальные и локальные меры автокорреляции: глобальный Moran \(I\) и локальные LISA;
\[
I=\frac{N}{S_0}\frac{\sum_i\sum_j w_{ij}(y_i-\bar y)(y_j-\bar y)}{\sum_i(y_i-\bar y)^2},\quad S_0=\sum_i\sum_j w_{ij};
\]
- локальные статистики (Local Moran, Getis‑Ord \(G_i^*\));
- пространственная интерполяция (кригинґ), kernel‑density для кластеров;
- exploratory plots (семивариограммы) и оценка зон горячих точек.
- Ограничения:
- описательный характер — слабая (или отсутствующая) причинная идентификация;
- чувствительность к выбору масштаба и агрегации (MAUP — modifiable areal unit problem) и границам зон;
- влияние выбора весовой матрицы/радиуса и параметров сглаживания на результаты;
- множественная проверка локальных тестов (проблемы с контролем FWER);
- не всегда учитывает ковариаты и эндогенные пространственные эффекты.
2) Эконометрика (пространственная эконометрика и обычная регрессия)
- Нужные данные:
- те же базовые показатели \(y_i\) и регрессоры \(X_{i}\) (экономические, демографические, инфраструктура);
- матрица пространственных весов \(W\) (смежность, расстояния, матрица связности);
- желательно панельные данные (временные срезы) для учёта динамики и фиксированных эффектов;
- инструменты/экзогенные переменные при наличии эндогенности.
- Методы:
- базовая модель OLS: \(y=X\beta+\varepsilon\) (контроль, диагностика автокорреляции);
- пространственные модели:
- пространственный лаг (SAR): \(\;y=\rho W y + X\beta + \varepsilon\);
- пространственная ошибка (SEM): \(\;y=X\beta + u,\; u=\lambda W u + \varepsilon\);
- Spatial Durbin Model (SDM): \(\;y=\rho W y + X\beta + W X\theta + \varepsilon\);
- смешанные/расширенные варианты (SARAR, spatial panel с FE/RE);
- оценка: ML, IV/GMM (при эндогенности), панельные методы, тесты Лагранжа/LM и тест Морэна по остаткам;
- интерпретация: разложение на прямые и косвенные (spillover) эффекты в пространственных моделях.
- Ограничения:
- решающая роль выбора \(W\) — разные \(W\) дают разные выводы; нет универсального критерия;
- идентификация причинно‑следственных связей требует инструментов/экспериментов — простые регрессии могут быть смещены;
- сложность интерпретации коэффициентов (особенно в SAR/SDM — нужны матричные разложения для эффектов);
- вычислительная нагрузка при больших \(N\) и проблемы с оценкой в панелях;
- чувствительность к ошибкам измерения в данных и пропущенным переменным;
- MAUP и агрегация также влияют, как и в картографическом подходе.
Рекомендация по сочетанию:
- Начать с карт и ESDA: визуализировать \(y_i\), вычислить глобальный/локальный Moran и семивариограмму — это подскажет наличие кластеров и форму \(W\).
- На основе ESDA выбрать и специфицировать \(W\) и кандидатов в регрессоры; затем применять пространственную эконометрию (тесты LM → оценка SAR/SEM/SDM; при панелях — spatial panel).
- При необходимости для причинных выводов использовать панельные стратегии, IV/GMM, дифф‑в‑разниц с учётом пространственных spillovers.
Коротко: картографический анализ хорош для разведки, визуализации кластеров и гипотез; пространственная эконометрика — для формального моделирования взаимозависимостей и тестирования эффектов, но требует аккуратного выбора \(W\), корректной спецификации и методов для идентификации.
Еще