自变量空间滞后模型(SLX)

这个方法是做什么的

用于回答“邻近地区的自变量会不会影响本地因变量”。模型写作 y=Xβ+W·X·θ+ε：在普通回归里加入每个自变量的空间滞后 W·X（行标准化权重下就是邻居的加权平均），θ 度量邻居的影响。模型里没有因变量的空间滞后，也没有误差项的空间相关，因此可以直接用普通最小二乘估计，给出 R²、F 检验、对数似然与 AIC，并与同一组变量的普通回归 AIC 对照。

效应分解是精确的：直接效应 β、间接（溢出）效应 θ、总效应 β+θ，卡④ 由系数协方差矩阵精确给出总效应的 95%CI 以及三者的 p 值，t 检验的自由度与系数表一致。卡① 用 Koley 与 Bera 的 LM-WX 检验“在普通回归上是否需要加 W·X”，卡② 再检验 SLX 残差还剩不剩空间依赖，卡③ 把每个自变量的直接效应与间接效应并列画成柱图。空间权重默认是 K 近邻（k=min(8, n−1)）行标准化，可改选反距离、距离阈值、高斯核或自定义矩阵。

需要准备什么数据

放入[定量]因变量 Y：1 个，定量变量（数值）
放入[定量]自变量 X：至少 1 个，定量变量（数值）
放入[定量]经度/X 坐标：1 个，定量变量（数值）
放入[定量]纬度/Y 坐标：1 个，定量变量（数值）
放入[定量]自定义权重矩阵列（可选）（可选）：至少 0 个，定量变量（数值）

数据要求

数据表至少 10 行。
单列缺失率不超过 20%。
不接受取值全都一样的列（零方差列没有可分析的变异）。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。

什么时候用它

研究交通、教育、医疗等设施的“邻里效应”：邻近地区的投入是否惠及本地
理论只支持局部溢出，不支持因变量的跨界传递
希望结果容易解释，系数就是边际效应，不需要空间乘子换算，也不需要蒙特卡洛模拟
作为更复杂空间模型的起点：先看 θ 是否显著，再看残差是否需要升级为 SDM 或 SDEM
普通回归的 LM-WX 显著：演示数据 LM-WX=14.328（p<0.001），加入 W·X 后 AIC 也低于同一组变量的普通回归

每行是一个带坐标的空间单元，至少 10 个；设计阵 [常数, X, W·X] 的系数个数须少于有效样本量，且 W·X 不能与 X 完全共线（例如所选权重让每个单元都以几乎全部其他单元为邻居时，W·X 在各单元之间差别很小，容易与常数项近乎共线）。因变量、自变量与经纬度须为互不重复的定量列，任何单元在所选权重下都不能没有邻居。

什么时候不要用它

SLX 残差的 LM-Lag 显著：可能存在因变量的跨界传递，用「空间杜宾模型(SDM)」。
SLX 残差的 LM-Error 显著：误差项还有空间相关，用「空间杜宾误差模型(SDEM)」。
溢出只发生在因变量之间，与邻居的自变量无关：用「空间滞后模型(SLM/SAR)」。
还没检查有没有空间依赖：先跑「空间OLS回归(LM检验)」。
同一批单元有多期观测：用「空间面板模型」，本模块按单一截面处理。

容易误读的地方

演示数据中邻居的作用不比本地小。 农业机械化水平的直接效应 0.0138、间接效应 0.0151，总效应 0.0289（95%CI [0.0188, 0.0390]）；交通可达性指数的间接效应 0.0112 甚至接近直接效应 0.0061 的两倍。只做普通回归会把这部分作用整个漏掉，或者错算到相关的本地自变量头上。
θ 显著不代表“邻居越多影响越大”。 行标准化下 W·X 是邻居的平均值，θ 度量的是“邻居平均水平高一个单位”对本地的影响，与邻居个数无关。演示数据中交通可达性指数的 θ=0.0112，含义是 8 个最近邻居的平均可达性每高 1 分，本地农村居民人均可支配收入高 0.0112 万元；选“不标准化”时 W·X 变成加权和，θ 的单位和含义都会改变。
SLX 的溢出只来自 W 定义的直接邻居。 没有 ρ·W·y，不会经由邻居的邻居继续传开，所以 SLX 的间接效应通常比空间杜宾模型的小，两者不能直接比大小。
稳健 LM 只在两个原始 LM 都显著时才参考。 演示数据中 SLX 残差的 LM-Lag（p=0.288）与 LM-Error（p=0.971）都不显著，而稳健 LM-Lag=11.738、稳健 LM-Error=10.612 却很大：W·X 已在设计阵里，稳健统计量的分母趋近于 0 被放大。报告的升级建议只依据两个原始检验，结论是 SLX 已足够。
稳健 LM-WX 不显著不等于不该加 W·X。 演示数据 LM-WX=14.328（p<0.001），控制因变量空间滞后后的稳健 LM-WX 为 5.714（p=0.057），两者回答的问题不同：前者问普通回归是否缺 W·X，后者问在已有 W·y 的模型里 W·X 是否还有额外贡献。
X 与 W·X 常常相关。 自变量本身空间集聚时，θ 的标准误会变大；卡① 的 VIF 是把 X 与 W·X 合在一起算的，超过 10 时 θ 的大小和符号都不稳定。

报告里有什么

输出结果一：数据概览与前提检验
输出结果二：SLX 模型参数估计
输出结果三：直接效应与溢出效应对照
输出结果四：效应量与事后分析
输出结果五：结论与学术表述

spatial_slx — 图1
每个自变量的直接效应（本地 x 对本地 y）与间接效应（邻近单元的 x 对本地 y）并列对照。