空间效应分析步骤代码实现过程

# 检查变量间的相关系数 > cor_matrix <- cor(panel[, c("X_Score", "control1", "control2", "control3", "control4", "control5")], use = "complete.obs") > print(cor_matrix) X_Score control1 control2 control3 control4 control5 X_Score 1.0000000 0.14838646 0.2346926 0.2758366 -0.11208860 0.2835454 control1 0.1483865 1.00000000 0.2051195 0.3454094 -0.03448468 -0.2240777 control2 0.2346926 0.20511950 1.0000000 0.1641155 -0.04198970 0.1177147 control3 0.2758366 0.34540941 0.1641155 1.0000000 -0.85027899 -0.3498146 control4 -0.1120886 -0.03448468 -0.0419897 -0.8502790 1.00000000 0.3331410 control5 0.2835454 -0.22407766 0.1177147 -0.3498146 0.33314097 1.0000000 > # 临时用 lm() 计算 VIF（忽略面板结构） > lm_for_vif <- lm(Y1_Score ~ X_Score + control1 + control2 + control3 + control4 + control5, + data = panel) > car::vif(lm_for_vif) # 使用 car 包的 vif() X_Score control1 control2 control3 control4 control5 1.406847 1.641862 1.125273 6.540524 5.355319 1.455666

3和4的控制变量中度共线，只保留3

>很关键的问题！选择 只用 2023 年数据 和 使用完整面板数据（2011–2023） 进行空间回归分析，背后的含义和适用场景是完全不同的。下面我帮你详细对比 1. 只用 2023 年数据的模型 r 复制编辑 data_2023 <- panel %>% filter(year == 2023) ✅ 适用情况： 想看某一年的横截面情况； 观察 静态的空间格局，如某一年 X_Score 和周边变量对 Y1、Y2 的影响； 适合用于 空间可视化分析同步开展（比如局部LISA图就是按年份做的）； ✅ 优点： 结果容易解释； 模型计算简单； 可与地图直观联动。 ❌ 局限性： 忽略了时间维度； 只能捕捉 2023 年这一时点的关系； 无法评估变量长期动态影响或趋势； 数据量少（样本数 = 省份数 = 31），统计功效有限。 ✅ 2. 使用全部年份（面板数据）的模型 r 复制编辑 data = panel index = c("province", "year") ✅ 适用情况： 想研究变量在时间和空间双重维度上的影响； 分析变量是如何随时间变化影响 Y1/Y2； 适合用于政策研究、稳健性分析、因果推断等。 ✅ 优点： 样本量大（31 省 × 13 年 = 403）→ 提高精度； 可以控制个体固定效应或时间效应； 支持更复杂的模型结构（例如：空间动态面板模型）； 分析更具说服力和推广性。 ❌ 局限性： 对模型设定要求更高（固定效应、动态性、空间依赖等需合理处理）； 结果更复杂、解释难度提升； 如果数据质量有缺失或异方差，可能会影响稳定性。 📊 简单对比总结表： 特征 2023 年横截面 面板数据分析（2011–2023） 时间维度 ❌ 无 ✅ 有 样本数 31（省份） 403（省 × 年） 适合用途 地图、年度分析 政策评估、因果机制 空间依赖 ✅ 支持 ✅ 支持 时间变化分析 ❌ 不支持 ✅ 支持 模型复杂度 低 中~高 推论广度 短期、静态 长期、动态 🧠 你可以这样理解： 如果你只关心 2023 年的空间结构和影响机制，选 data_2023 是合理的； 但如果你希望得到 更稳健、可推广、能控制时间演化的空间分析结果，就该用面板。