1) O documento apresenta um tutorial sobre econometria espacial utilizando o software Stata. 2) Ele explica como instalar pacotes, importar shapefiles, gerar matrizes de pesos espaciais, testar dependência espacial e realizar regressões espaciais. 3) São apresentados diversos modelos de regressão espacial como SAR, SEM, SAC e SDM.
Aula de Métodos e Técnicas de Análise da Informação para Planejamento, UFABC, Jullho de 2017
Apresentação disponível em: https://youtu.be/Lo7wr_tqiK4
Bases de dados disponíveis em: https://app.box.com/s/2p9mw751ld2u9rz0ueglf49p1v94e8pv
Aula da disciplina de Cartografia e Geoprocessamento Aplicada ao Planejamento Territorial, UFABC, março de 2017.
Gravação da aula disponível em: https://youtu.be/2kuHpSv6mmM
Aula da disciplina de Epidemiologia de Doenças Transmissíveis, Universidade Federal do Maranhão, novembro de 2020.
Gravação de aula disponível em: https://youtu.be/luaLQzok59U
Aula do curso de Introdução ao QGis para Análise Multicriterial, Tribunal de Contas da União, Brasília, 17 de outubro de 2018.
Bases de Dados Disponíveis em:
https://app.box.com/s/txo3thu4cwsqxomrfdppu8ag6qzuo338
e
https://app.box.com/s/4c699dn8r7mn30ddfbz3gwvo5ty2k92s
Aula de Métodos e Técnicas de Análise da Informação para Planejamento, UFABC, Agosto de 2016
Apresentação disponível em: https://youtu.be/iQGFts6N78E
Bases de dados disponíveis em: Bases de dados disponívem em: https://app.box.com/s/d0i62xill3hitmq1cz2f92ezhoqw47ea
Aula de Métodos e Técnicas de Análise da Informação para Planejamento, UFABC, Jullho de 2017
Apresentação disponível em: https://youtu.be/Lo7wr_tqiK4
Bases de dados disponíveis em: https://app.box.com/s/2p9mw751ld2u9rz0ueglf49p1v94e8pv
Aula da disciplina de Cartografia e Geoprocessamento Aplicada ao Planejamento Territorial, UFABC, março de 2017.
Gravação da aula disponível em: https://youtu.be/2kuHpSv6mmM
Aula da disciplina de Epidemiologia de Doenças Transmissíveis, Universidade Federal do Maranhão, novembro de 2020.
Gravação de aula disponível em: https://youtu.be/luaLQzok59U
Aula do curso de Introdução ao QGis para Análise Multicriterial, Tribunal de Contas da União, Brasília, 17 de outubro de 2018.
Bases de Dados Disponíveis em:
https://app.box.com/s/txo3thu4cwsqxomrfdppu8ag6qzuo338
e
https://app.box.com/s/4c699dn8r7mn30ddfbz3gwvo5ty2k92s
Aula de Métodos e Técnicas de Análise da Informação para Planejamento, UFABC, Agosto de 2016
Apresentação disponível em: https://youtu.be/iQGFts6N78E
Bases de dados disponíveis em: Bases de dados disponívem em: https://app.box.com/s/d0i62xill3hitmq1cz2f92ezhoqw47ea
Aula da disciplina de Uso de dados espaciais para estudos ambientais. Abril de 2019, Universidade Federal do ABC, Santo André - SP.
Base de dados disponível em: https://app.box.com/s/kqwpbxgvagtl9ygsodaat380nqjn1mp2
Gravação de aula disponível em: https://youtu.be/te1VN9iVFcM
Aula de Métodos e Técnicas de Análise da Informação para Planejamento, julho de 2017, UFABC
Apresentação disponível em: https://youtu.be/7w7LODmYzy4
Bases de dados disponíveis em: https://app.box.com/s/4yl70hj73c9mqyh1jb0l8skics4xf8i1
Aula de Métodos e Técnicas de Análise da Informação para Planejamento, UFABC, Agosto de 2017
Apresentação disponível em: https://youtu.be/KyjrcuCenSY
Bases de dados disponíveis em: https://app.box.com/s/ex83chbym8bu5p5oq1wmt1lasbevfltv
Introdução ao modelo clássico de regressão linearFelipe Pontes
Revisão de Matrizes (exercício feito em casa e não será feito na sala). Introdução à RL simples. Pressupostos. Testes de hipóteses. Aplicações práticas.
Aula da disciplina de Uso de dados espaciais para estudos ambientais. Universidade Federal do ABC, São Bernardo do Campo, fevereiro de 2020.
Gravação de aula disponível em: https://youtu.be/R3D2qlJSjVA
Base de dados disponível em: https://app.box.com/s/rlp75p8gvl1v363g1v4m6xbb4rdlz91y
Aula de Métodos e Técnicas de Análise da Informação para o Planejamento, UFABC, 8 de agosto de 2017
Gravação de aula disponível em: https://youtu.be/8AHJ8PfUg30
Bases de dados disponívem em: https://app.box.com/s/usbad42g9op1coew9n6fw17lqlq5b3t1
Aula de Métodos e Técnicas de Análise da Informação para Planejamento, MTI, UFABC, Agosto de 2017
Apresentação disponível em: https://youtu.be/6ZP-GBj2O48
Aula de Métodos e Técnicas de Análise da Informação para Planejamento, julho de 2016, UFABC
Gravação de aula disponivel em: https://youtu.be/uoZqwLDlJb0
Bases de dados disponíveis em: https://app.box.com/s/4yl70hj73c9mqyh1jb0l8skics4xf8i1
Análise exploratória estatístico-espacial, Mapas de Kernel e Proximidade - QG...Vitor Vieira Vasconcelos
Aula do curso de Introdução ao QGis para Análise Multicriterial, Tribunal de Contas da União, Brasília, 17 de outubro de 2018.
Bases de Dados Disponíveis em:
https://app.box.com/s/txo3thu4cwsqxomrfdppu8ag6qzuo338
e
https://app.box.com/s/4c699dn8r7mn30ddfbz3gwvo5ty2k92s
Aula de Métodos e Técnicas de Análise da Informação para Planejamento, julho de 2016, UFABC
Materiais de aula em: https://app.box.com/s/jt3gc36a65z0xg1bah7vnqq9jn6rin20
Gravação de aula disponível em: https://youtu.be/xu5HlOnWk3A
Apresentação de aula sobre Amostragem inferencial feita pelos alunos João Victor Tupinambá e Vítor Fortes, para a matéria de Probabilidade e Estatística da UERJ-FAT, ministrada pelo Prof. Dr. Nilo Sampaio
Aula de Informática Aplicada ao Planejamento Territorial - IPT, UFABC, 4 de novembro de 2016.
Apresentação disponível em: https://youtu.be/-Jf9OFglDiI
Bases de dados disponíveis em: https://app.box.com/s/0v7yjizlgacyyjcturb4s9yu1kzormgb
apresentação power-point que contém as ideias iniciais sobre funções: definição, domínio, imagem, gráficos, funções compostas, por partes, crescente, decrescente, periódica...
Aula da disciplina de Uso de dados espaciais em estudos ambientais, Universidade Federal do ABC (UFABC), março de 2020.
Gravação de aula disponível em: https://youtu.be/ap7IcO2Icgs
Base de dados disponíveis em: https://app.box.com/s/qf2hsg4b2uontvrawbk3el4fg9cxjufg
Análise de Eventos Pontuais - Distância padrão, Agregação, Mapas de Kernel, P...Vitor Vieira Vasconcelos
Aula da disciplina de Informática Aplicada ao Planejamento Territorial, UFABC, 10 de novembro de 2017
Gravação de aula em: https://www.youtube.com/watch?v=-Jf9OFglDiI
Bases de dados disponíveis em: https://app.box.com/s/0v7yjizlgacyyjcturb4s9yu1kzormgb
Quarto documento da Série Tutorial Oracle Data Integrator. Neste tutorial demonstro como criar o Modelo de Dados do DW e o Modelo de Dados do DM. Estamos utilizando tabelas Oracle e ArqTXT como fonte e destino de dados.
Aula da disciplina de Uso de dados espaciais para estudos ambientais. Abril de 2019, Universidade Federal do ABC, Santo André - SP.
Base de dados disponível em: https://app.box.com/s/kqwpbxgvagtl9ygsodaat380nqjn1mp2
Gravação de aula disponível em: https://youtu.be/te1VN9iVFcM
Aula de Métodos e Técnicas de Análise da Informação para Planejamento, julho de 2017, UFABC
Apresentação disponível em: https://youtu.be/7w7LODmYzy4
Bases de dados disponíveis em: https://app.box.com/s/4yl70hj73c9mqyh1jb0l8skics4xf8i1
Aula de Métodos e Técnicas de Análise da Informação para Planejamento, UFABC, Agosto de 2017
Apresentação disponível em: https://youtu.be/KyjrcuCenSY
Bases de dados disponíveis em: https://app.box.com/s/ex83chbym8bu5p5oq1wmt1lasbevfltv
Introdução ao modelo clássico de regressão linearFelipe Pontes
Revisão de Matrizes (exercício feito em casa e não será feito na sala). Introdução à RL simples. Pressupostos. Testes de hipóteses. Aplicações práticas.
Aula da disciplina de Uso de dados espaciais para estudos ambientais. Universidade Federal do ABC, São Bernardo do Campo, fevereiro de 2020.
Gravação de aula disponível em: https://youtu.be/R3D2qlJSjVA
Base de dados disponível em: https://app.box.com/s/rlp75p8gvl1v363g1v4m6xbb4rdlz91y
Aula de Métodos e Técnicas de Análise da Informação para o Planejamento, UFABC, 8 de agosto de 2017
Gravação de aula disponível em: https://youtu.be/8AHJ8PfUg30
Bases de dados disponívem em: https://app.box.com/s/usbad42g9op1coew9n6fw17lqlq5b3t1
Aula de Métodos e Técnicas de Análise da Informação para Planejamento, MTI, UFABC, Agosto de 2017
Apresentação disponível em: https://youtu.be/6ZP-GBj2O48
Aula de Métodos e Técnicas de Análise da Informação para Planejamento, julho de 2016, UFABC
Gravação de aula disponivel em: https://youtu.be/uoZqwLDlJb0
Bases de dados disponíveis em: https://app.box.com/s/4yl70hj73c9mqyh1jb0l8skics4xf8i1
Análise exploratória estatístico-espacial, Mapas de Kernel e Proximidade - QG...Vitor Vieira Vasconcelos
Aula do curso de Introdução ao QGis para Análise Multicriterial, Tribunal de Contas da União, Brasília, 17 de outubro de 2018.
Bases de Dados Disponíveis em:
https://app.box.com/s/txo3thu4cwsqxomrfdppu8ag6qzuo338
e
https://app.box.com/s/4c699dn8r7mn30ddfbz3gwvo5ty2k92s
Aula de Métodos e Técnicas de Análise da Informação para Planejamento, julho de 2016, UFABC
Materiais de aula em: https://app.box.com/s/jt3gc36a65z0xg1bah7vnqq9jn6rin20
Gravação de aula disponível em: https://youtu.be/xu5HlOnWk3A
Apresentação de aula sobre Amostragem inferencial feita pelos alunos João Victor Tupinambá e Vítor Fortes, para a matéria de Probabilidade e Estatística da UERJ-FAT, ministrada pelo Prof. Dr. Nilo Sampaio
Aula de Informática Aplicada ao Planejamento Territorial - IPT, UFABC, 4 de novembro de 2016.
Apresentação disponível em: https://youtu.be/-Jf9OFglDiI
Bases de dados disponíveis em: https://app.box.com/s/0v7yjizlgacyyjcturb4s9yu1kzormgb
apresentação power-point que contém as ideias iniciais sobre funções: definição, domínio, imagem, gráficos, funções compostas, por partes, crescente, decrescente, periódica...
Aula da disciplina de Uso de dados espaciais em estudos ambientais, Universidade Federal do ABC (UFABC), março de 2020.
Gravação de aula disponível em: https://youtu.be/ap7IcO2Icgs
Base de dados disponíveis em: https://app.box.com/s/qf2hsg4b2uontvrawbk3el4fg9cxjufg
Análise de Eventos Pontuais - Distância padrão, Agregação, Mapas de Kernel, P...Vitor Vieira Vasconcelos
Aula da disciplina de Informática Aplicada ao Planejamento Territorial, UFABC, 10 de novembro de 2017
Gravação de aula em: https://www.youtube.com/watch?v=-Jf9OFglDiI
Bases de dados disponíveis em: https://app.box.com/s/0v7yjizlgacyyjcturb4s9yu1kzormgb
Quarto documento da Série Tutorial Oracle Data Integrator. Neste tutorial demonstro como criar o Modelo de Dados do DW e o Modelo de Dados do DM. Estamos utilizando tabelas Oracle e ArqTXT como fonte e destino de dados.
Aula de Métodos e Técnicas de Análise da Informação para Planejamento, julho de 2017, UFABC
Apresentação disponível em: https://youtu.be/cQ8ZfzL3SfI
Bases de dados disponíveis em:https://app.box.com/s/4yl70hj73c9mqyh1jb0l8skics4xf8i1
Aula de Apresentação da Disciplina de Informática Aplicada ao Planejamento Territorial - IPT, UFABC, 23 de setembro de 2016. Video disponível em: https://youtu.be/kLAezjnEag4
Aula da disciplina de Cartografia e Geoprocessamento, UFABC, São Bernardo do Campo, 8 de março de 2017
Apresentação disponível em: https://youtu.be/emFr1xBgWaU
Design Patterns para Tuning Pentaho com Ctoolse-Setorial
Uma "receita de bolo" com os passos comumente seguidos para tunar um dashboard, incluindo boas práticas, ferramentas e configurações. Os fontes do exemplo podem ser baixados livremente de http://www.e-setorial.com.br/pentahoday2017/DesignPatternsPentaho 09-12-57-284.zip
Utilizando GeoTools para Manipulação de Dados Geográficospcollares
A partir da necessidade de controle de dados georreferenciados construir-se-á um aplicativo para atender as funcionalidades de um sistema SIG para Java desktop, ou seja, um aplicativo para leitura e manipulação de dados geográficos. Será possível o acesso a shapefiles ou a bancos de dados, pois o aplicativo oferece essas duas funcionalidades. O aplicativo desenvolvido disponibiliza um conjunto de ferramentas que auxilia na manipulação dos mapas. De acordo com os objetivos do atual projeto, conclui-se que o aplicativo será de grande utilidade na manipulação de dados geográficos.
Esta apresentação integra o conjunto de materiais didáticos do curso a distância Desenvolvimento de Aplicativos Desktop em Java Aplicando Padrões de Projeto.
Como usar o Tatu (web server) e tecnologias web (html5, css3 e javascript) para criar aplicações completas, usando o navegador como UI, e o javascript para "business logic". Os primeiros 17 slides mostram uma espécie de biogrtafia minha, portanto comece pulando estes, caso não lhe interesse. O restante dos 43 slides é a essencia do que queremos mostrar.
Abordagem criativa sobre o ecossistema hadoop
No atual mundo captalista, M Bison, dono do maior e-commerce mundial chamado Shadaloo, decide analisar o perfil de todos os seus clientes; não apenas mostrando os dados comuns do BI, mas analisar também:
- Dados de TODOS os sistemas Legados
- Dados de Navegação
- SAC e Midias Sociais.
Dessa forma ele poderia:
- Criar mecanismo de ofertas personalizadas
- Retenção de clientes que realizam reclamações no SAC
- Identificar relação de entre reclamações no SAC e mídias sociais.
- Analisar fluxo de navegação e proporcionar navegação personalizada por tipo de clientes
QGIS 2.4: Recorte de Raster via Shapefile (Batch Mode)Jorge Santos
Com a evolução das demandas para Processamento de Imagens, precisamos adquirir equipamentos mais modernos e aperfeiçoar as técnicas até aqui conhecidas. Seguir adiante é o curso natural do desenvolvimento tecnológico e esta premissa está presente em todas as áreas do conhecimento.
No exercício anterior sobre recorte de raster na versão 2.0 do programa, nós realizamos longos procedimentos para edição de linha de comando.
Com a evolução do aplicativo SIG, o módulo Processamento está mais robusto e oferece opções mais consistentes. Um dia desses, fiz um ensaio para recorte de arquivo shapefile em lote e o programa correspondeu de forma satisfatória.
Como o Aprendizado de Máquina pode nos ajudar a liderar as transformações das organizações públicas do tradicional para o Exponencial? (parte 2)
Superamos o desafio de substituir os dados dessas 1.000 simulações por dados reais de uma empresa de TI e inseri-los na Árvore de Decisão. Este modelo tem a capacidade de prever qual é o melhor Modal (TI Bimodal) para realizar determinada atividade: Tradicional ou Exponencial.
Estamos usando o Aprendizado de Máquina desenvolvido no ambiente Notebook Jupyter, na linguagem Python, para auxiliar na decisão de quando usar o tradicional ou exponencial.
Tutorial de econometria espacial utilizando o stata
1. Tutorial de econometria espacial utilizando o STATA
Dr. Daniel de Abreu Uhr
Renan Porn Peres
Ricardo Capra Schuch
------------------------------------------------------------------------------------------------------------------
1. STATA: Análise espacial de dados
a) Instalação de pacotes ........................................................................................ 2
b) Baixando e utilizando o Shapefile ...................................................................... 3
i) No Stata ....................................................................................................... 3
ii) No Geoda ................................................................................................... 5
c) Gerando matriz de pesos .................................................................................... 6
i) SPATWMAT ................................................................................................... 6
ii) SPMAT .......................................................................................................... 7
iii) MATA …....................................................................................................... 7
d) Testando a dependência espacial ................................................................... 8
e) Regressão espacial .............................................................................................. 8
i) Especificação do modelo ......................................................................... 8
ii) Modelos de RegressãoEspacial ............................................................... 9
A) Modelos comdefasagens espaciais nos erros e na variável
dependente
B) Modelos comdefasagemespacial também nas variáveis
explicativas
C)Regressão Variável Instrumental
D) Regressões Espaciais utilizando a matriz gerada no SPATWMAT
f) Interpretando as saídas ....................................................................................... 11
-----------------------------------------------------------------------------------------------------------------
2. a)Instalar os pacotes necessários no STATA:
Definindo diretórios e processamento para lidarmos commatrizes espaciais
set more off
set matsize 1200
cd "C:UsersUserDesktopRS"
Para gerar um arquivo txt salvando o que foi feito
cap log using "spatialeconometrics", replace
Você deveinstalar alguns pacotes que irão ser uteis para rodar os comandos
de econometria espacial:
ssc install spmap
ssc install sppack
ssc install shp2dta
ssc install mif2dta
net install xsmle, all from(http://www.econometrics.it/stata)
findit sg162
Observação O pacote sg162 não esta disponível de modo isolado para o Brasil, por
isso usamos o comando findit para acha-lo e assim, baixar os pacotes que ele esta
contido.
Este comando atualiza os demais pacotes já existentes:
adoupdate
adoupdate, update
Baixando malhas geográficas
Para qualquer análise espacial é necessárioummapa da área de interesse,
assim precisamos baixar estes arquivos shp. de sites como ibge, ipea, etc. que
disponibilizam estes arquivospara download.
O IBGE oferece uma base de dados completa contendo shapefile de diversos
periodos emftp://geoftp.ibge.gov.br/malhas_digitais/
3. fftp://geoftp.ibge.gov.br/malhas_digitais/municipio_2005/escala_500mil/proj_policonica/arcview_shp/uf/rs/4
3mu500pc.zip
Outra opção é o IpeaGEO que já disponibiliza algumas malhas digitais que
podem ser baixadas pelo usuário.
Visualização dos arquivos
Só conseguimos visualizar arquivos .dbf com o programa Openofice
http://www.openoffice.org/download
i) No STATA:
Precisamos colocar o Shapefile (Arquivo.shp) para dentro do Stata (.dta):
shp2dta using “diretório do arquivo SHP”, database
(exemplo1.dta) coordinates (exemplo2.dta) genid (_ID)
4. Com isso, colocamos uma base de DTA comas informações do Shape para
dentro do sistema do STATA. Temos assim, dois arquivos DTA para esse Shape e
um identificador que será útil na plotagem dos mapas.
Pareando com seus dados:
Precisamos que o banco de dados esteja pareado com o banco gerado pelo
arquivo Shape. Para isso:
Nos interessa colocar 4 variáveis no banco exemplo1.dta gerado pelo arquivo
shape para o banco de variáveis (dbRS.dta). Estas são codigo id longitude e
latitude.
Assim salvamos estas 4 váriaveis emuma arquivo para juntarmos como o
banco de dados.
use "C:UsersUserDesktopRSbanco.dta"
merge m:m codigo using "C:UsersUserDesktopRScord.dta"
Result # of obs.
-----------------------------------------
matched 496 (_merge==3)
drop _merge
save “"C:UsersUserDesktopRSbase.dta"
clear all
Assim temos as mesmas variáveis que serão úteis para a criação das matrizes
de pesos e para geração de gráficos emambos os bancos: coordRS.dta e
base.dta
5. ii) Gerando a matriz de pesos espaciais através do GEODA:
Você deveter o arquivo shape de interessee o software Geoda para isso
Carregar Shapefile no Geoda-> Criar Pesos(Create Weights)->
Add Variable-> Código ou Nome da região-> Queen Contiguity
-> Create
Salve o a matriz de pesos (arquivo.gal) no diretóriode arquivos do STATA.
c) Criando Matriz de Pesos
Para fazermos inumeras análises espaciais, precisamos cria uma matriz de
pesos espaciais. Esta matriz especifica o grau da conexão entre uma unidade
espacial com outra. Especifica como unidades i e j se relacionam, um
exemplo: são vizinhos?
i) SPMAT é um dos comandos para a criação de matrizes contiguas. Para
criarmos matrizes por esse comando precisamos importar a shapefile e utilizar o
banco de coordenadas gerado por este processo, como já vimos antes. Veja
alguns exemplos:
spmat cont WC using "C:UsersUserDesktopRScoordRS.dta", id( _ID )
spmat import WG using "C:UsersUserDesktopRS43mu500gc.gal", geoda
O comando SPMAT pode ser utilizado para a criação de matrizes distâncias.
Veja:
spmat idistance WIr _X _Y, id( _ID ) normalize(row)
spmat idistance WId _X _Y, id( _ID ) dfunction(dhaversine)
Para excluir a matriz gerada usamos o seguinte comando:
spmat drop W
Exportar a matriz de pesos em dta:
spmat save W using "filename.dta"
Para visualizar a matriz de pesos devemos salva-la emtxt:
spmat export W using "filename.txt"
O código de ID na matriz correspondeao do Geoda.
Descrição da matriz:
spmat summarize WC
6. spmat sum WC, links detail
spmat graph WG
Para observarmos os autovalores
spmat eigenvalues WC
ii) SPATWMAT é um dos comandos mais utilizados para a criação de matrizes.
Utiliza as coordenadas do banco de dados para a criação da matriz e
conecta todas as unidades, no nosso caso os vizinhos, via distância. Veja:
spatwmat, name(W) xcoord(_X) ycoord(_Y) band(0 1) standardize
A matriz de pesos, W, é a inversa da distância da matriz padronizada, de
modo que a soma é 1. Os itens xcoord e ycoord especifica quais variáveis
contema localização em coordenadas das localizações.
No item band especificamos a distancia máxima, no nosso exemplo usamos 10
milhas. Vamos dar uma olhada nesta matriz:
mat list W
Podemos também usar a matriz gerada pelo software Geoda, para
isso devemos usar o comando
sort _ID
Com o objetivo de ordenar conforme a variável _ID do Geoda, que
está no banco de dados, pois a matriz gerada a partir do Geoda utiliza a linha
em que está o objeto analisado para identificação.
spatwmat using "C:UsersUserDesktopRSgeod.dta" ,name(Wg) standardize
iii) Para alterarmos uma Matriz: Temos que usar o MATA
Passando a Matriz da memória do spmat para a memória do MATA:
spmat getmatrix WC A
mata: A
link útil de operações no mata: http://www.stata.com/support/faqs/data-
management/element-by-element-operations-on-matrices/
7. d) Verificando a dependência espacial:
Alguns Gráficos para verificar se os dados estão concentrados
Carregando o banco de variáveis:
use base, clear
Agora, vamos descrever as variáveis de interesse
describe _ID furto_veic
i) Gerando um mapa de corrupção para o Rio Grande do Sul:
spmap furto_veic using coordRS, id(_ID) legend(symy(*2) symx(*2)
size(*2)) clnumber(5) fcolor(Greens) legstyle(2) title("Furto de
veiculos no Rio Grande do Sul", size(*0.8)) note("Pelotas, Rio
Grande do Sul 2014 neighorhood data")
O pacote spmap tem muitas opções, aproveitepara checar:
help spmap
ii) Diagnóstico Espacial
A) Teste do Índice de Moran
Verificar se as variáveis tem dependência espacial:
spatgsa furto_veic, w(Wg) moran
B) Teste do Índice Local de Dependência Espacial (LISA):
spatlsa furto_veic, w(W) moran id(_ID) sort
spatlsa furto_veic, weights(W) moran graph(moran) symbol(id) id(
Municipios )
spatlsa furto_veic, w(W) moran id(_ID) map(coordRS.dta)
xcoord(_Y) ycoord(_X) savegraph(spmap)
Podemos observar que o teste de Moran's I foi significativo, então há
dependência espacial.
8. C) Corrarelogramas emrelação à distância:
spatcorr furto_veic, bands(0(1)10) xcoord(_X) ycoord(_Y)
spatcorr furto_veic, bands(0(1)10) xcoord(_X) ycoord(_Y)
cumulative
spatcorr furto_veic, bands(0(1)10) xcoord(_X) ycoord(_Y) graph
e) Regressões Espaciais
i) Especificando o modelo
reg Y Xs, robust
Teste diagnóstico sobre os resultados da estimação OLS (dependência
espacial):
spatdiag, weights(W)
Este teste mostra que há um significante efeito espacial e seus resultados vão
nos auxiliar na escolha do modelo.
------------------------------------------------------------------------------------------------------------
reg furto_veic valor_adic_bruto carros_passag analfabetismo posse_entorp
fundo_mun_segpub deleg_polic_civil penitenciaria, robust
Linear regression Number of obs = 496
F( 7, 488) = 894.98
Prob > F = 0.0000
R-squared = 0.9489
Root MSE = 42.461
-----------------------------------------------------------------------------------
| Robust
furto_veic | Coef. Std. Err. t P>|t| [95% Conf. Interval]
------------------+----------------------------------------------------------------
valor_adic_bruto | .000037 .0000237 1.56 0.119 -9.52e-06 .0000835
carros_passag | .0052716 .0012398 4.25 0.000 .0028355 .0077077
analfabetismo | .8713579 .3161347 2.76 0.006 .2502048 1.492511
posse_entorp | -.411659 .3012619 -1.37 0.172 -1.00359 .1802716
fundo_mun_segpub | -27.98689 14.73499 -1.90 0.058 -56.93875 .9649602
9. deleg_polic_civil | -15.99604 2.137453 -7.48 0.000 -20.19579 -11.79629
penitenciaria | -.026953 .0221671 -1.22 0.225 -.0705078 .0166019
_cons | -11.64398 2.65038 -4.39 0.000 -16.85155 -6.436417
-----------------------------------------------------------------------------------
spatdiag, weights(W)
Diagnostic tests for spatial dependence in OLS regression
Fitted model
------------------------------------------------------------
furto_veic = valor_adic_bruto + carros_passag + analfabetismo + posse_entorp +
fundo_mun_segpub + deleg_polic_civil + penitenciaria
------------------------------------------------------------
Weights matrix
------------------------------------------------------------
Name: W
Type: Distance-based (inverse distance)
Distance band: 0.0 < d <= 1.0
Row-standardized: Yes
------------------------------------------------------------
Diagnostics
------------------------------------------------------------
Test | Statistic df p-value
-------------------------------+----------------------------
Spatial error: |
Moran's I | 5.950 1 0.000
Lagrange multiplier | 29.974 1 0.000
Robust Lagrange multiplier | 21.559 1 0.000
|
Spatial lag: |
Lagrange multiplier | 12.441 1 0.000
Robust Lagrange multiplier | 4.025 1 0.045
------------------------------------------------------------
Ao observar estas saídas percebemos que tanto o erro esta correlacionado com o erro
dos vizinhos, bem como a variável dependente esta correlacionada com o furto de
veículos dos vizinhos, assim precisamos considerar ambas no modelo.
10. ii) Modelos de regressão espacial
A) Modelos com defasagens espaciais nos erros e na variável dependente
Efeito Global do Erro - ex: novo sistema de produção
Efeito Local do Erro - ex: poluição local
1) Regressão GMM SAR – Quando não tem erro espacial, emdois estágios.
O modelo é Y = dlWy + XB + u, o comando é dado por:
spreg gs2sls Y Xs, id(_ID) dlmat(W) het
2) Regressão ML SARAR - Quando não tem erro espacial
spreg ml Y Xs, id(_ID) dlmat(W)
3) Regressão GMM SEM – Quando não existe lag espacial poremhá erro
espacial autoregressivo.
O modelo é u = elWu + v, o comando é dado por:
spreg gs2sls Y Xs, id(_ID) elmat(WC) het
4) Regressão ML SEM - Quando não existe lag espacial poremhá erro espacial
autoregressivo.
spreg ml Y Xs, id(_ID) elmat(W)
Neste modelo, os erros associadoscomqualquer observalção são uma média
dos erros nas regiões vizinhasmais um componente de erro aleatório.
5) Regressão GMM SARAR (SAC)
Neste caso o modelo é dado por Y = dlWy + BX + u, u = elWu + v
spreg gs2sls Y Xs, id(_ID) dlmat(WC) elmat(WC) het
6) Regressão ML SARAR (SAC)
spreg ml Y Xs, id(_ID) dlmat(WC) elmat(WC)
Segundo o modelo um choque na região j afeta todas as outras regiões por
intermédio do multiplicador espacial do processo SAR da defasagem espacial,
amplificado pelo efeito multiplicador extra proporcionado pelo processo de
erro espacial.
Convémlembrar que a consequência de não incorporamos os componentes
Wy e Wu quando relevantes, gera estimativas viesadas e ineficientes em
amostras pequenas e inconsistentes emgrandes amostras.
11. B) Modelos com defasagem espacial também nas variáveis explicativas.
Para utilizarmos esses modelos precisamos gerar umlag espacial em uma
variável explicativa:
spmat lag double Wcar W carros_passag
1) Modelo Durbin GMM(SDM) – Não tem erro espacial
Neste caso o modelo é dado por Y = WY XB + WX + u
spreg gs2sls corrupção gini Wgini, id(_ID) dlmat(WC) het
2) Modelo Durbin ML(SDM) No spatial error
spreg ml corrupção gini Wgini, id(_ID) dlmat(WC)
3) Regressão Durbin do erro(SDEM)GMM – Semlag espacial na variável
dependente.
Neste caso o modelo é dado por Y = XB + WX + u, u = elW2u + v
spreg gs2sls corrupção gini Wgini, id(_ID) elmat(WC) het
4) Regressão Durbin do erro(SDEM)ML– Semlag espacial na variável
dependente.
spreg ml corrupção gini Wgini, id(_ID) elmat(WC)
5) Regressão GMM GSM
spreg gs2sls corrupção gini Wgini, id(_ID) dlmat(WC) elmat(WC)
het
6) Regressão ML GSM
spreg ml corrupção gini Wgini, id(_ID) dlmat(WC) elmat(WC)
---------------------------------------------------------------
spreg ml furto_veic valor_adic_bruto carros_passag Wcarros
analfabetismo Wanalfab posse_entorp fundo_mun_segpub Wfundsp
deleg_polic_civil Wpen penitenciaria, id(_ID) dlmat(WC) elmat(WC)
spreg ml furto_veic valor_adic_bruto carros_passag analfabetismo posse_entorp
fundo_mun_segpub deleg_polic_civil penitenciaria Wcarros Wanalfab Wfundsp
Wpen, id(_ID) dlmat(WC) elmat(WC)
------------------------------------------------------------------------------
12. C) Regressão Variável Instrumental
spivreg corrupção (gini = txdesemp), id(_ID) dlmat(WC) elmat(WC)
het
predict pol
D) Regressões Espaciais utilizando a matriz gerada no SPATWMAT
O comando spatreg é um pouco limitado, porem é bom saber
Modelo de Erro Espacial:
spatreg corrupção gini , weights(W) eigenval(E) model(error)
Modelo de Lag Espacial:
spatreg corrupção gini, weights(W) eigenval(E) model(lag)
f) Interpretando as saídas
cap log close