空间计量这几年在实证研究里出现的频率越来越高，尤其是做区域经济、产业集聚、环境规制这类带地理属性的题目，审稿人几乎默认你要处理空间溢出效应。但很多人卡在一个尴尬的位置：知道要用空间杜宾模型，打开Stata却不知道从哪一步下手，检验做了一堆不知道看哪个，结果跑出来一堆系数不知道怎么解读。这篇就把从数据准备、空间权重矩阵构造、LM检验、LR检验、Hausman检验，到SDM估计、效应分解、稳健性检验的完整链路拆开讲清楚，每一步都说明白为什么这么做、参数怎么定、结果怎么看。适合刚接触空间计量、手头有一份面板数据、想在Stata里把SDM跑通并写进论文的人。
1. 先搞清楚SDM到底在解决什么问题
1.1 从OLS的失效说起
普通最小二乘法有个隐含假设：样本之间相互独立。做区域数据的时候这个假设基本站不住脚。相邻城市的GDP会互相影响，一个地方的污染排放会飘到隔壁，产业政策的效果会沿着交通网络扩散。这种"你中有我、我中有你"的关联，在计量上就叫空间自相关。
如果无视空间自相关直接跑OLS，后果不是系数稍微偏一点那么简单。空间滞后项被遗漏进误差项，会导致解释变量系数估计有偏且不一致，标准误也算不准，显著性检验基本失去意义。我见过不少初稿，区域数据直接上固定效应面板回归，结果核心变量显著得离谱，一加空间项就掉到不显著，问题就出在这里。
空间杜宾模型（Spatial Durbin Model，简称SDM）的思路是：因变量的空间滞后、自变量的空间滞后，两个都放进来。用公式表达就是：
$$y = \rho Wy + X\beta + WX\theta + \varepsilon$$
其中W是空间权重矩阵，$\rho$是因变量的空间自回归系数，$\theta$是自变量空间滞后的系数。这个设定比空间滞后模型（SAR，只有$Wy$）和空间误差模型（SEM，只有误差项空间相关）都更一般，因为它同时允许因变量和自变量产生空间溢出。这也是为什么很多论文把SDM作为首选设定——它嵌套了SAR和SEM，可以通过检验退化到更简洁的模型。
1.2 SDM、SAR、SEM三者的取舍逻辑
很多人纠结到底用哪个模型。我的经验是：不要一上来就拍板，让检验说话。标准的做法是先跑OLS，做LM检验判断是否存在空间自相关；如果存在，再分别做LM-lag和LM-error的稳健版本（Robust LM），看是滞后项显著还是误差项显著。两个都显著的情况下，SDM是更稳妥的起点，因为它不会因为遗漏某一类空间依赖而产生设定误差。
这里有个容易被忽略的点：LM检验是基于OLS残差做的，它只能告诉你"有空间依赖"，不能直接告诉你"该用SDM"。真正决定要不要从SAR/SEM升级到SDM的，是后面的LR检验或者Wald检验——检验$\theta = 0$（退化为SAR）和$\theta = -\rho\beta$（退化为SEM）。两个原假设都被拒绝，才说明SDM是必要的。这个逻辑链条一定要在论文里写清楚，否则审稿人会问你凭什么用SDM。
1.3 什么数据适合上SDM
不是所有面板数据都值得上空间模型。我的判断标准有三条：第一，观测单元有明确的地理或经济邻近关系，比如地级市、省份、县域，或者企业之间的供应链距离；第二，样本量不能太小，截面维度至少几十个单元，时间维度三五年以上，否则空间权重矩阵的自由度吃掉太多，估计不稳；第三，核心解释变量本身有空间扩散的机制，比如环境规制、技术扩散、政策试点，这类变量天然会产生溢出，用SDM才有经济学意义。
反过来说，如果你的观测单元是随机抽样的个体、企业财务数据没有地理标签、或者研究问题本身不涉及交互影响，硬套空间模型就是给自己找麻烦。我见过把行业面板强行按省份匹配权重矩阵的做法，逻辑上说不通，跑出来的$\rho$也没法解释。
2. 空间权重矩阵：整个模型的地基
2.1 权重矩阵的三种常见构造方式
空间权重矩阵W是SDM的核心输入，它定义了"谁和谁相邻、相邻程度多强"。构造方式直接决定结果，所以这一步必须想清楚经济学含义，不能随便找个现成的矩阵套上去。
最常见的三类：
| 矩阵类型 | 构造逻辑 | 适用场景 | 注意事项 |
|---|---|---|---|
| 邻接矩阵（0-1） | 地理接壤为1，否则为0 | 行政区划清晰的省/市级数据 | 孤岛单元（如岛屿）会出现全零行，需特殊处理 |
| 地理距离矩阵 | 取距离倒数或倒数的平方 | 连续地理单元，距离有经济含义 | 距离单位要统一，避免量纲问题 |
| 经济距离矩阵 | 以GDP、人口等经济指标差异构造 | 研究经济关联而非纯地理溢出 | 需说明为何选该指标，避免内生性争议 |
邻接矩阵最直观，但有个坑：如果研究区域里有不与任何单元接壤的"孤岛"（比如某些海岛城市），那一行全是0，Stata在标准化时会报错或者产生异常值。处理办法是手动给孤岛指定最近的一个邻居，或者改用距离矩阵。这个细节论文里一般不用写，但实操时必须处理，否则后面估计直接崩。
2.2 行标准化到底要不要做
这是新手问得最多的问题之一。行标准化的作用是让每一行的权重之和等于1，这样$Wy$就变成了邻居的加权平均，$\rho$的解释也更直观——因变量对邻居平均水平的响应程度。
做不做标准化，取决于你的研究目的。如果关心的是溢出的相对强度，行标准化是常规操作；如果关心的是绝对溢出规模（比如距离衰减的具体形态），保留原始距离权重可能更合适。但要注意：行标准化之后，矩阵不再对称，某些基于对称矩阵的检验（比如Moran's I的某些变体）需要调整。我的建议是，绝大多数应用经济学论文用行标准化，解释起来方便，审稿人也习惯这个设定。
在Stata里用spmatrix系列命令或者spatwmat（旧版）构造，行标准化用spmatrix normalize。如果用xsmle命令，它内部会自动处理，但你要清楚它做了什么。
2.3 权重矩阵的稳健性检验思路
审稿人经常质疑的一点是：你凭什么用这个权重矩阵？换个矩阵结果还成立吗？所以稳健性检验里几乎必做的一项就是替换权重矩阵。常见做法是主回归用邻接矩阵，稳健性检验换成地理距离矩阵或经济距离矩阵，看核心系数符号和显著性是否稳定。
我个人的习惯是至少准备两个矩阵，一个地理属性强的，一个经济属性强的，主回归用更贴合研究问题那个，另一个放稳健性部分。如果两个矩阵下结论方向一致，说服力会强很多；如果方向相反，那就要老实讨论为什么，而不是藏起来。
3. 检验链条：从LM到Hausman，一步都不能省
3.1 LM检验：判断要不要上空间模型
LM检验的原假设是"无空间自相关"。操作上，先跑一个普通的面板回归（可以是固定效应），然后对残差做LM检验。Stata里用estat lm（针对截面）或者空间面板命令自带的检验选项。
结果看两个统计量：LM-lag和LM-error。如果两个都不显著，说明空间依赖不明显，老老实实用普通面板模型就行，别硬上SDM。如果只有一个显著，比如LM-lag显著而LM-error不显著，倾向SAR；反之倾向SEM。如果两个都显著，进入下一步做稳健LM检验（Robust LM-lag和Robust LM-error），看哪个更稳健。
这里有个实操细节：LM检验对模型设定敏感，如果你在OLS里漏了重要的解释变量，残差里的空间相关可能来自遗漏变量而非真正的空间依赖。所以做LM检验之前，先把控制变量选好，别指望空间项来救设定误差。
3.2 LR/Wald检验：SDM能不能退化
前面说过，SDM嵌套了SAR和SEM。LR检验就是用来判断能不能退化：
- 检验$H_0: \theta = 0$，如果拒绝，说明自变量的空间滞后不能省，不能退化成SAR；
- 检验$H_0: \theta = -\rho\beta$，如果拒绝，说明不能退化成SEM。
两个都拒绝，SDM就是必要的。Stata里用lrtest对比嵌套模型，或者用xsmle之后的estat选项。Wald检验是LR的替代，渐近等价，报告哪个都行，我一般报LR，因为似然值直接可得。
这一步很多人偷懒跳过，直接上SDM，论文里也不交代。审稿人一看就知道你没做模型选择，很容易被要求补做。花十分钟跑一下，省得后面返修。
3.3 Hausman检验：固定效应还是随机效应
空间面板同样面临FE和RE的选择。Hausman检验的原假设是"随机效应估计一致"，如果拒绝，用固定效应。空间模型里的Hausman检验比普通面板复杂一些，因为要处理空间滞后项的内生性，Stata的xsmle提供了hausman选项，或者用spregress之后的检验命令。
我的经验是：区域数据几乎都用固定效应，因为个体效应（比如某地的地理禀赋、历史基础）大概率与解释变量相关，随机效应的一致性假设很难满足。但还是要跑一下检验，报告出来，这是规范。如果Hausman统计量不显著，理论上RE更有效，但也要结合经济学判断，别机械照搬。
4. Stata实操：从数据到SDM估计
4.1 数据准备与面板设定
先把数据整理成标准面板格式：一个个体标识变量（比如city_id），一个时间变量（year），以及各变量。用xtset city_id year声明面板。检查一下是否有缺失值、异常值，空间模型对缺失值很敏感，一个单元某年缺数据，整个权重矩阵的对应行都要处理。
xtset city_id year xtdescribe summarize y x1 x2 x3如果面板不平衡，xsmle能处理，但要注意权重矩阵的维度要和截面单元数严格对应。我踩过的坑：数据里有个城市中途改名，id变了，结果权重矩阵对不上，报错报了半天才找到原因。所以合并数据前先把id统一。
4.2 构造空间权重矩阵
以邻接矩阵为例，假设有N个单元，需要准备一个N×N的矩阵文件（可以是Excel或文本），然后用spmatrix导入：
spmatrix use W using weight_adj.txt, replace spmatrix summarize W spmatrix normalize W, normalize(row)如果用xsmle，它接受wmat()选项指定矩阵名。注意矩阵的单元顺序必须和数据里的id顺序一致，这是最容易出错的地方。我的做法是先把id排序，再按同样顺序生成矩阵，生成后核对几个已知相邻的单元对，确认无误再往下走。
4.3 主回归命令与选项
xsmle是跑空间面板最常用的命令（需要先安装）。SDM的基本写法：
xsmle y x1 x2 x3, wmat(W) model(sdm) fe type(both) nolog几个关键选项说明：
model(sdm)指定模型类型，也可以写sar、sem、sac；fe固定效应，re随机效应；type(both)表示个体和时间双向固定效应，type(ind)仅个体，type(time)仅时间；wmat(W)指定权重矩阵；nolog关闭迭代日志，跑大样本时能省不少屏幕输出。
如果要做效应分解（直接效应、间接效应、总效应），加effects选项：
xsmle y x1 x2 x3, wmat(W) model(sdm) fe type(both) effects nolog效应分解是SDM的精髓，因为$\beta$和$\theta$单独看没有完整的经济含义，真正的边际效应要通过$(I-\rho W)^{-1}(I\beta + W\theta)$算出来。直接效应是自变量对本单元的影响，间接效应（溢出效应）是对其他单元的影响，两者相加是总效应。很多人只报$\rho$和$\beta$，不报分解效应，这是不完整的。
4.4 一个完整的命令流程示例
把前面的步骤串起来，一个典型的分析流程大概是这样：
* 1. 面板设定 xtset city_id year * 2. 普通面板回归（用于LM检验基准） xtreg y x1 x2 x3, fe * 3. 导入并标准化权重矩阵 spmatrix use W using weight_adj.txt, replace spmatrix normalize W, normalize(row) * 4. SDM估计（双向固定效应） xsmle y x1 x2 x3, wmat(W) model(sdm) fe type(both) effects nolog * 5. 保存结果 estimates store sdm_result * 6. LR检验：SDM vs SAR xsmle y x1 x2 x3, wmat(W) model(sar) fe type(both) nolog estimates store sar_result lrtest sdm_result sar_result * 7. LR检验：SDM vs SEM xsmle y x1 x2 x3, wmat(W) model(sem) fe type(both) nolog estimates store sem_result lrtest sdm_result sem_result这套流程跑下来，模型选择、估计、检验都有了，论文的方法部分基本能交代清楚。
5. 结果解读：系数、rho和效应分解怎么读
5.1 rho的经济含义与显著性
$\rho$是因变量的空间自回归系数，衡量邻居的因变量对本单元的影响方向和强度。$\rho$显著为正，说明存在正向空间溢出，邻居水平高会带动本单元；显著为负，说明存在竞争或虹吸效应。$\rho$的绝对值一般不超过1（稳定性条件），如果估计出来接近1甚至超过1，要警惕模型设定问题或者权重矩阵构造不当。
解读$\rho$的时候别脱离研究背景。比如研究区域经济增长，$\rho$为正可以解释为增长的空间集聚；研究污染排放，$\rho$为正说明污染有扩散效应。同一个数值在不同语境下含义不同，论文里要结合机制说清楚。
5.2 直接效应、间接效应、总效应的区分
这是SDM解读的核心，也是最容易写错的地方。很多人把$\beta$直接当成直接效应，这是不对的。由于反馈效应（本单元影响邻居，邻居又反过来影响本单元）的存在，直接效应不等于$\beta$，间接效应也不等于$\theta$。
正确的解读框架：
- 直接效应：某单元自变量变化1单位，对本单元因变量的平均影响，包含反馈回路；
- 间接效应（溢出效应）：某单元自变量变化1单位，对其他单元因变量的平均影响；
- 总效应：直接效应加间接效应，即所有单元自变量同时变化1单位的总影响。
Stata的effects选项会直接输出这三个效应的点估计和标准误。报告的时候三个都要给，尤其是间接效应，往往是论文的亮点。如果间接效应显著而直接效应不显著，说明这个变量的作用主要通过空间扩散实现，这个发现本身就很有价值。
5.3 显著性判断与常见误读
效应分解的标准误是通过模拟（通常是Delta方法或蒙特卡洛）算出来的，和普通系数的标准误不是一回事。看显著性还是看p值或者置信区间，别拿$\beta$的显著性去推断间接效应的显著性，两者可能不一致。
一个常见误读：看到$\rho$显著就认为空间效应重要，但没看间接效应是否显著。$\rho$显著只说明因变量有空间依赖，不代表你关心的解释变量有显著溢出。真正的溢出要看间接效应的显著性。我审稿时经常看到这种混淆，写的时候务必分清。
6. 稳健性检验与常见报错处理
6.1 替换权重矩阵与子样本检验
稳健性部分至少做两件事：换权重矩阵、换样本区间或子样本。换矩阵前面说过，主回归用邻接，稳健性用距离或经济矩阵。子样本可以按区域拆分（东部/中西部）、按时间拆分（政策前后），看核心结论是否稳定。
如果换矩阵后核心变量符号翻转，不要急着删掉，先想想为什么。可能是不同矩阵捕捉的空间机制不同，比如地理邻接捕捉的是行政扩散，经济距离捕捉的是市场关联，两者结论不同反而能讲出更深的故事。当然，如果翻转得毫无逻辑，那就要回头检查数据或设定。
6.2 不收敛、矩阵奇异等报错
xsmle跑的时候常见几类报错：
- 不收敛：迭代次数不够或者初值不好。可以加
iterate(100)增加迭代次数，或者换个优化算法technique(bhhh)。样本小、权重矩阵稀疏时容易出现，实在不行考虑简化模型。 - 矩阵奇异：通常是权重矩阵有全零行，或者某些单元在样本期内数据缺失导致矩阵维度不匹配。检查矩阵每一行是否至少有一个非零元素，检查id顺序。
- 变量被omitted：双向固定效应下，不随时间变化的变量会被吸收，这是正常的，不是错误。如果核心变量被omitted，说明它在样本期内没变化，那就没法识别，得换变量。
6.3 论文写作中的报告规范
最后说下报告规范。方法部分要交代：权重矩阵怎么构造、为什么这么构造、是否行标准化；模型选择依据（LM、LR检验结果）；FE还是RE及Hausman结果。结果部分要报：$\rho$、各变量$\beta$和$\theta$、三个分解效应及显著性、拟合优度（within R²或log-likelihood）。稳健性部分报替换矩阵和子样本的结果。
表格排版上，我习惯把主回归的直接、间接、总效应分三列并排，下面标注显著性星号，表注写清楚权重矩阵类型和固定效应设定。这样审稿人一眼能看全，不用来回翻。
空间杜宾模型这套流程，说复杂也复杂，说简单也就是几个命令的事。真正花时间的是想清楚权重矩阵的经济学含义、把检验链条走完整、把效应分解讲明白。这三件事做到位，SDM就不只是个跑数据的工具，而是能支撑你研究结论的分析框架。我自己的体会是，第一次跑通可能要折腾一两天，把流程固化成do文件之后，换个题目换个数据，半天就能出一版完整结果。建议你从一开始就养成写do文件的习惯，每一步加注释，后面复现和返修会省太多事。
