Econometria Spaziale

Date

2–3 Marzo 2026

Sede

UCSC Roma – Facoltà di Economia

Linguaggi

R & Python

Livello

Post-graduate / Avanzato

Dove e Quando

2 Marzo – Aula 207, II piano

10:00 – 11:00 Prof. Giuseppe Arbia
11:00 – 16:00 Dott. Vincenzo Nardelli

3 Marzo – Aula 107, I piano

10:00 – 11:00 Dott. Niccolò Salvini
11:00 – 14:00 Prof. Giuseppe Arbia

Docenti

Prof. Giuseppe Arbia

Dott. Vincenzo Nardelli

Dott. Niccolò Salvini

Obiettivi del corso

Il corso fornisce un'introduzione ai fondamenti teorici dell'econometria spaziale e alla loro applicazione empirica in R e Python, con esempi su dataset reali per comprenderne l'importanza in economia e nelle scienze sociali. Le due giornate alternano approfondimenti teorici e sessioni pratiche di laboratorio.

Programma

Parte I – Introduzione e Teoria

Strutture dei dati spaziali e tipi di dipendenza spaziale
Violazione dell'ipotesi di indipendenza in OLS e conseguenze su stima e inferenza
Definizione di matrice di pesi spaziali W e tipologie per dati areali
Misure globali: Indice di Moran, Indice di Geary
Indicatori locali (LISA): cluster ad alta/bassa intensità e outlier spaziali
Moran scatterplot e classificazione HH, LL, HL, LH
Test diagnostici: LM lag, LM error e versioni robuste
Modelli di regressione spaziale: SAR, SEM, SDM, SARAR, GMM

Parte II – Applicazioni

Esempi su dataset reali per l'interpretazione economica degli spillover
Casi studio di health econometrics
Stima di modelli spaziali in R e Python
Selezione del modello: LM test e confronto SAR / SEM / SARAR

Script R

1_spatial_data.R

Caricamento e preparazione dei dati spaziali (Tanzania, King County, griglia H3)

2_maps.R

Visualizzazione con mappe tematiche: dati areali, puntuali e a griglia

3_lisa.R

Autocorrelazione spaziale globale (Moran's I) e analisi LISA con Moran scatterplot

4_spatial_model.R

OLS baseline, test di Moran sui residui, stima del modello SEM

5_spatial_model_selection.R

Selezione del modello: LM test robusti, confronto SAR / SEM / SARAR, impatti spaziali

Notebook Python (Google Colab)

1_spatial_data.ipynb

Caricamento e preparazione dei dati spaziali (Tanzania, King County, griglia H3)

Apri in Colab

2_maps.ipynb

Visualizzazione con mappe tematiche: dati areali, puntuali e a griglia

Apri in Colab

3_lisa.ipynb

Autocorrelazione spaziale globale (Moran's I) e analisi LISA con Moran scatterplot

Apri in Colab

3_lisa_h3.ipynb

LISA su griglia esagonale H3 (King County – log price)

Apri in Colab

3_lisa_visium_hne.ipynb

LISA su dati puntuali con pesi kNN (Visium HNE)

Apri in Colab

4_spatial_model.ipynb

OLS baseline, test di Moran sui residui, stima del modello SEM

Apri in Colab

5_spatial_model_selection.ipynb

Selezione del modello: LM test robusti, confronto SAR / SEM / SARAR, impatti spaziali

Apri in Colab

Dataset

italian_provinces.parquet

Province italiane – quota NEET e partecipazione alla formazione continua

kc_house.parquet

King County (WA, USA) – prezzi delle abitazioni georeferenziati (dati puntuali)

kc_grid.parquet

King County – prezzi medi aggregati su griglia esagonale H3 (risoluzione 8)

tanzania.parquet

Tanzania – indicatori demografici e sanitari DHS 2022 a livello sub-nazionale

Pacchetti R richiesti

sf sfarrow spdep spatialreg ggplot2 dplyr h3jsr RColorBrewer tseries

Pacchetti Python richiesti

geopandas libpysal esda spreg splot matplotlib h3 mapclassify pyarrow

Scarica il materiale del corso

Codice R, dati pre-elaborati e dati raw in un unico archivio ZIP.

Scarica ZIP da GitHub