空间回归模型 下载 mobi epub pdf 电子书 2024

编辑推荐

本书向读者介绍了两种应用广泛的空间回归模型：空间定距因变量和空间性误差模型。此外还补充了空间分析中的疑难问题。是社会科学工作者在分析复杂调查数据时不可多得的全面参考书。

内容简介

　　《空间回归模型》主要解决线性回归分析中空间依赖关系的相关问题，为社会科学家完备地介绍如何将空间依赖性的分析纳入回归框架。《空间回归模型》作者向读者介绍了两种应用广泛的空间回归模型：空间定距因变量和空间性误差模型。此外还补充了空间分析中的疑难问题。

作者简介

迈克尔?沃德（Michael D. Ward），华盛顿大学西雅图分校政治科学系教授。讲授政治学研究方法和国际关系课程。他同时是统计和社会科学中心成员。他目前的工作包括研究国际贸易和 冲突的动态网络中的依赖关系。此外他还关注波斯尼亚以及俄罗斯北高加索地区不同国家团体之间的社会距离。

克里斯蒂安?格里蒂奇（Kristian Skrede Gleditsch），埃塞克斯大学政府系教授以及奥斯陆国际和平研究院（PRIO）内战研究中心的研究员。他的研究兴趣包括冲突与合作，民主化和社会与政治过程中的空间维度。

目录

第1章 导论
第1节 交互作用与社会科学
第2节 世界各国的民主
第3节 空间依赖关系介绍
第4节 将地图作为可视化数据
第5节 空间依赖性和相关性测量
第6节 接近性测量
第7节 估计空间模型
第8节 小结
第2章 空间滞后因变量
第1节 空间滞后因变量的回归
第2节 估计空间滞后y模型
第3节 空间性间隔y模型的最大似然估计：以民主研究为例
第4节 空间滞后y模型的均衡效应
第5节 意大利投票率的空间依赖关系
第3章 空间误差模型
第1节 空间误差模型
第2节 空间误差模型的最大似然估计
第3节 小结
第4章 扩展
第1节 识别连接性
第2节 推论与模型评估
第3节 小结
附录 软件选项
注释
参考文献
译名对照表

精彩书摘

世界各国的民主
在引入空间讨论之前，我们先举一个数据中各观测值之间相互不独立的例子。社会科学家们很早就乐于解释为什么有的国家采用民主政治而有的却不是如此。早期由李普赛特（Lipset, 1959）提出的一项颇具影响力的观点认为民主制度是具有社会必要条件的。其中之一就是较高的平均收入；李普赛特注意到“在更加民主的国家…平均财富也更高”（p.75）。在过去的四十多年里这种观点成为比较分析领域的奠基石，它表明具有更高平均收入的社会更可能建立民主体制。表1.1提供了一个数据简表，上面列出了2002年世界70多个国家的人均国内生产总值（GDP）和民主水平。我们对民主的测量来自POLITY指数，它将国家按照一系列制度标准划分成不同的类别。在这一指数中，-10代表最不民主的社会，10代表最民主的社会。格里蒂奇和沃德（Gleditsch and Ward, 1997）提供了建构这种指数的更详细信息。我们在表1.1中将各国按照人均国内生产值(GDP)和民主程度高低排序，以便于找出变量之间的简单关系。正如所见，一些富裕国家，比如丹麦，的确是民主国家；同时低收入国家，比如塞拉利昂和朝鲜，就是专制国家。有趣的是，李普赛特曾提出在1959年，澳大利亚、比利时、加拿大、丹麦、爱尔兰、卢森堡、荷兰、新西兰、挪威、瑞典、瑞士、英国和美国构成了欧洲、北美和南美各洲一系列的“稳定民主体制”。而当时不稳定的民主体制和独裁体制包括奥地利、芬兰、法国、西德、意大利和西班牙。如今这些国家也变成了民主体制，并且基本上稳定了。尽管这些个案同李普赛特的论调是一致的，但是财富和民主之间存在更普遍的强烈相关关系么？尽管印度的平均国民收入很低，但它却是民主体制；此外尽管印度近年来经历了高的经济增长，它仍然远远低于经济合作与发展组织（Organization for Economic Cooperation and Development）成员国的水平。同时，中东地区很多专制国家却拥有很高的收入水平，这也是同李普赛特的观点相违背的。为了更一般化地估计这种关系，我们需要一种更加系统性的比较分析。

前言/序言

社会科学定量研究的很多方法都是基于对个体行为的分析。我们通常将个体行为作为结果变量，然后将其表示成由一组解释变量构成的方程，最常见的也就是回归方程的形式。社会科学理论主要就是描述这种结果变量和解释变量之间是如何关联的。当然，这种分析并不仅仅停留在个体或者微观层面。有时，研究者也会分析集体层面的数据，比如街坊、社区、公司、城市、县、州，以及国家。但是分析的逻辑仍然相同。我们试图构造因变量和某些自变量（诸如个人、街坊、社区、公司、城市、县、州和国家）之间的关联，不管这种关联是否为因果关系。当我们这样做的时候，其实已经暗示了观测值的地理或者空间位置并不起作用。尽管研究者也会经常用虚拟变量将处于同一个地区的观测值合成一组，但这样做并没有考虑到除了空间以外的其他相似性。比如，数据分析者常用虚拟变量来划分个体是来自美国南部还是其他地区。这样做是为了控制一些特有的文化特征，而不是出于回归中空间依赖关系的考虑。空间回归模型一书将不遗余力地解决线性回归分析中空间依赖关系的相关问题。
确切地说，我们将结果变量yi对解释变量的向量 做OLS回归：

这里 包括被估参数的一组向量， 是服从独立同分布假设的随机误差。在经典线性回归中，假设分布为正态分布。当空间（或其他）依赖关系存在时， 将不再相互独立，并且导致 被低估，从而影响到假设检验的正确性。
尽管对空间问题的考虑可以追溯到早期在地图制作和调查方面的尝试，但是现代空间回归是直到最近几十年随着统计知识和计算能力的提高才出现的。在本套丛书中，有相当一部分书籍都直接讨论了线性回归或者间接涵盖了有关的内容，但却都没有涉及空间依赖性。因此，沃德和格里蒂奇的这本书将是对本系列丛书尤其是线性回归内容的一个很好补充。此书作者向读者介绍了两种应用最广泛的空间回归模型：空间性定距因变量和空间性误差模型，此外还补充了空间分析中的疑难问题。尽管读者的分析单位可能与书中作者的分析单位并不相同，然而书中大量直观的例子仍然能够为读者提供有益的思考。
——廖福挺

东西不错，真的很不错。

印刷质量好，不错

书己收到，发货较慢，好长时间才收到，希望下次能快点。

京东商品可以，物流迅速！

书到的很快，价格不贵，好评一下。

好好好

基于R语言编写的，言简意赅，如果又matlab对照就好了。

印刷质量好，不错

整体满意，推荐~