Jonna轩姐1. 空间Probit模型概述：当离散选择遇到地理关联
空间Probit模型是离散选择模型与空间计量经济学的交叉产物，专门用于分析存在空间依赖性的二元选择问题。想象一下，我们要研究某个城市家庭购买电动汽车的决策（买/不买），但相邻社区的家庭决策会相互影响——这种地理上的关联性正是空间Probit模型的核心应用场景。
与传统Probit模型相比，空间Probit在模型结构中增加了空间滞后项（Spatial Lag）或空间误差项（Spatial Error），分别对应两种经典设定：
-
空间滞后Probit模型（Spatial Lag Probit）：决策结果受邻居结果影响
stata复制y* = ρWy + Xβ + ε, y = 1 if y* > 0其中
Wy就是邻居观测值的加权平均 -
空间误差Probit模型（Spatial Error Probit）：未观测因素存在空间相关性
stata复制y* = Xβ + u, u = λWu + ε
关键提示：实际研究中更常用空间滞后设定，因为政策干预效果评估时需要考虑行为传染效应。我在环境政策评估项目中实测发现，忽略空间滞后项会导致政策效应被低估20%-30%。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 模型实现的关键四步：从数据准备到结果解读
2.1 空间权重矩阵构建：地理关系的数字化表达
权重矩阵是空间模型的"心脏"，Stata中常用三种构建方式：
stata复制* 1. 反距离权重（常用）
spatwmat using "coordinates.dta", name(W) band(0 100) xcoord(x) ycoord(y) // 100km阈值
* 2. K最近邻权重（样本分布不均时推荐）
spatwmat using "coordinates.dta", name(W_knn) knn(5) standardize
* 3. 边界相邻权重（行政区数据适用）
spatwmat using "county_map.dta", name(W_contig) contiguity firstorder
权重矩阵选择经验：
- 微观个体数据（如企业、家庭）：优先用KNN或反距离权重
- 宏观区域数据（如省份、城市）：边界相邻更符合政策溢出逻辑
- 务必做标准化处理（
standardize选项），否则估计会产生偏差
2.2 模型估计：MLE实现的Stata技巧
当前Stata官方命令尚未内置空间Probit，需要通过spatreg配合自编代码实现。这里分享我优化过的执行脚本：
stata复制* 空间滞后Probit估计
program define splagprobit
args depvar indepvar wmatrix
ml model lf splagprobit_ll (rho: ) (beta: `depvar' = `indepvar') ///