当前位置: 首页 > news >正文

从0开始学习R语言--Day42--LM检验

区别于Moran's I检验,前者在初步观察空间数据的分布时,能给出暗含规律的结果,但具体是什么规律是无法分辨的,而LM检验可以给出到底是因为邻接的数据还是因为其他的因素,比如在分析房价起伏时,前者只能给出房价高的扎堆在一起,有某种规律,而后者可以给出类似一片区域靠近学校,所以这片区域的房价较高的结论。

以下是一个例子:

library(spdep)
library(spatialreg)# 生成模拟空间数据集
set.seed(123)
n <- 100  # 观测点数量
x <- runif(n, 0, 10)  # x坐标
y <- runif(n, 0, 10)  # y坐标
coords <- cbind(x, y)  # 坐标矩阵# 创建空间权重矩阵(这里使用k近邻,k=4)
knn <- knn2nb(knearneigh(coords, k=4))
W <- nb2listw(knn, style="W")  # 行标准化权重矩阵# 生成解释变量和被解释变量
X1 <- rnorm(n)
X2 <- rnorm(n)
# 生成具有空间自相关的误差项
rho <- 0.4  # 空间自相关系数
e <- solve(diag(n) - rho * listw2mat(W), rnorm(n))
Y <- 2 + 1.5*X1 - 0.8*X2 + e  # 真实模型包含空间误差# 拟合普通OLS模型
ols_model <- lm(Y ~ X1 + X2)# 进行LM检验
lm_tests <- lm.LMtests(ols_model, listw=W, test=c("LMerr", "LMlag", "RLMerr", "RLMlag", "SARMA"))
summary(lm_tests)# 查看检验结果
print(lm_tests)

输出:

	Rao's score (a.k.a Lagrange multiplier) diagnostics for spatial dependencedata:  
model: lm(formula = Y ~ X1 + X2)
test weights: listwRSerr = 0.9902, df = 1, p-value = 0.3197Rao's score (a.k.a Lagrange multiplier) diagnostics for spatial dependencedata:  
model: lm(formula = Y ~ X1 + X2)
test weights: listwRSlag = 4.5736, df = 1, p-value = 0.03247Rao's score (a.k.a Lagrange multiplier) diagnostics for spatial dependencedata:  
model: lm(formula = Y ~ X1 + X2)
test weights: listwadjRSerr = 0.6968, df = 1, p-value = 0.4039Rao's score (a.k.a Lagrange multiplier) diagnostics for spatial dependencedata:  
model: lm(formula = Y ~ X1 + X2)
test weights: listwadjRSlag = 4.2802, df = 1, p-value = 0.03856Rao's score (a.k.a Lagrange multiplier) diagnostics for spatial dependencedata:  
model: lm(formula = Y ~ X1 + X2)
test weights: listwSARMA = 5.2704, df = 2, p-value = 0.0717

结果显示,LM-error的p值大于0.05,说明误差项中没有显著的空间自相关,不需要考虑这个;而LM-lag的p小于0.05,说明在分析时需要考虑空间的滞后项,也就是数据点临近数据对其的影响。

http://www.lryc.cn/news/583640.html

相关文章:

  • 异地组网
  • 数据分析框架和方法
  • Mac电脑,休眠以后,发现电量一直在减少,而且一个晚上,基本上是没了,开机都需要插电源的简单处理
  • 卫星通信终端天线的5种对星模式之二:功率检测型载波跟踪
  • 【PyTorch】PyTorch中数据准备工作(AI生成)
  • 深度学习——损失函数
  • Hexo + Butterfly + Vercel 完整个人Blog部署指南
  • Flask3.1打造极简CMS系统
  • 自动化Trae Apollo参数解释的批量获取
  • 股权结构解析
  • SpringBoot集成文件 - 大文件的上传(异步,分片,断点续传和秒传)
  • 专题一_双指针_查找总价格为目标值的两个商品
  • 拼多多正在错失即时零售?
  • ECR仓库CloudFormation模板完整指南
  • 【每日算法】专题六_模拟
  • WPF学习笔记(27)科学计算器
  • 1、专栏介绍以及目录
  • 周立功汽车软件ZXDoc深度解析:新能源汽车开发新基建的破局之道
  • eggNOG数据库注释文件
  • 以太网基础④IP 协议介绍与 IP 校验和算法实现
  • 【Linux网络编程】Socket - TCP
  • Java-----韩顺平单例设计模式学习笔记
  • swiglu 激活函数学习笔记
  • Java垃圾收集机制Test1
  • [Python] 区分方法 函数
  • 深度解析:将SymPy符号表达式转化为高效NumPy计算函数的通用解决方案
  • Git系列--3.分支管理
  • Python管理咨询数据可视化实战:收入分布与顾问利用率双轴对比图表生成脚本
  • 零基础上手 Amazon DynamoDB:NoSQL 数据库服务的核心概念与快速搭建指南
  • SQL Server 2008R2 到 2012 数据库迁移完整指南