根据本文，OLS在存在空间自相关的情况下是一致的，但标准误不正确，需要调整。Solomon Hsiang 为此提供了stata 和 matlab 代码。不幸的是，我不熟悉任何 R 代码。

在空间统计中，肯定有其他方法可以解决这类问题，这些方法明确地对空间过程进行建模。这只是夸大了标准错误。

不幸的是，理论计量经济学家似乎乐于混淆视听。链接的论文真的很难阅读。基本上它说的是运行你想要的任何回归，然后再去修复标准错误。在您尝试估计估计器的方差之前，空间不会进入它。直观地说，如果所有差异都接近，您就不太确定您的估计不仅仅是一些未观察到的空间冲击的遗物。

请注意，您需要指定您认为空间过程可能正在运行的内核带宽。

这个答案基本上是我在这里所做的类似答案的复制/粘贴重新散列

如果问题是自相关错误，$y = X\beta + u, u=\rho Wu + \epsilon$，那么 OLS 是一致的，但效率低下，正如 ACD 所说。这就像时间序列计量经济学中的序列相关性。

但是如果存在空间自依赖（也称为自相关，令人困惑）， $y = \rho W y+ X\beta + \epsilon$，则OLS不一致。这与缺失变量偏差相同。如果你有这两个问题，你需要使用空间杜宾模型，$y = \rho W y + X\beta + WX \lambda + \epsilon$.

R的spdep包包含许多计算空间权重矩阵、估计空间回归和执行其他操作的函数。我对这些函数有很多经验lagsarlm，但在包文档中看到有一个sacsarlm函数似乎更符合您的要求。

就您问题的时间方面而言，您对依赖关系所做的假设将大大有助于确定您的模型规范。您的区域是否直接相互影响？这方面的例子是贸易或住房市场；一个国家的出口高度依赖另一个国家的进口，而最近购买的房屋的销售价格对附近房屋的销售价格有非常重要的贡献。在这种情况下，指定权重矩阵是有意义的$W$来适应这种依赖。准时买房$t$及时与房屋做“邻居”$t-1$，但没有及时与房屋$t +1$.

如果您的术语相互关联但在逻辑上不相互依赖，例如农业产量，那么使用单个时间不敏感矩阵可能更有意义$W$，但要在$X$规格。