Econometria espacial

Bases para a analise

economtrica do processo
espacial
Uma idia inicial

O domnio da econometria espacial considerado como sendo o

conjunto de tcnicas que tratam das peculiaridades causadas
pelo espao nas anlises estatsticas dos modelos da Cincia
Regional (Anselin, 1988).

O termo econometria espacial foi usado inicialmente por Jean

Paelinck no incio da dcada de 1970.
Econometria espacial incluiria estimao e testes de problemas
enfrentados na implementao de modelos economtricos mutilregionais.
Uma idia inicial

A econometria espacial expandiu seu domnio, mas a sua

existncia por vez questionada!

O que diferencia a econometria espacial da econometria

tradicional?

Qual a diferena entre econometria espacial e estatstica

espacial?
O que diferencia a econometria espacial
da econometria tradicional?

Uma forma interessante de definir a rea de atuao da

econometria espacial focalizando nos aspectos espaciais
especficos dos dados e modelos na que no permitiriam a
aplicao direta de mtodo tradicionais de econometria.
Esses aspectos seriam de dois tipos:
Dependncia espacial

Heterogeneidade espacial
O que diferencia a econometria espacial
da econometria tradicional?

Dependncia espacial
Geralmente vista como a falta de independncia que geralmente
presente entre observaes de corte transversal.

Primeira lei da geografia: everything is related to everything else, but

near things are more related than distant things.

Causas podem ser problemas de medidas ou verdadeiros efeitos de spill-

over.

Bem mais complexo do que os problemas de sries temporais

Mais de 2 dimenses
O que diferencia a econometria espacial
da econometria tradicional?

Heterogeneidade espacial
Falta de estabilidade do fenmeno estudado sobre o espao.

De forma mais especfica, a forma funcional e os parmetros variam com

a localizao e no so homogneos no banco de dados.
Por exemplo, as relaes entre os municpios do NE (pobre) podem
diferir das relaes entre os municpios do Sul (rico)

Muitos dos problemas causados pela heterogeneidade espacial

podem ser resolvidos pelos mtodos tradicionais de
econometria.
O que diferencia a econometria espacial
da econometria tradicional?

Entretanto, o melhor conhecimento dos dados pode levar a

procedimentos mais eficientes.
Alm do mais, pode ser difcil distinguir entre dependncia
espacial e heterogeneidade espacial
Definio:
Econometria espacial consistiria nas tcnicas e mtodos que, baseados
na representao formal da estrutura da dependncia espacial e
heterogeneidade espacial, forneceriam os meios para se fazer a
especificaes, estimaes, testes de hipteses e previses corretas
para os modelos nas cincias regionais.
O que diferencia a econometria espacial
da estatstica espacial?

A distino entre as suas abordagens no to clara e os

mtodos tendem a ser classificados como uma das duas
dependendo da preferncia pessoal do pesquisador.
Uma forma de diferenciar:
Estatstica espacial tende a ser orientada para os dados (mais para
fenmenos fsicos em biologia e geologia point pattern analysis,
kriging).

Econometria espacial tem uma orientao maior para o uso de modelos

(mais utilizada em economia urbana e regional e reas sociais).
Efeitos espacial

Dependncia espacial
Heterogeneidade espacial
Efeitos espaciais

Dependncia espacial
Heterogeneidade espacial
 Dependncia espacial

Anselin and Bera (1998) defined it as being the coincidence of value

similarity with locational similarity.

A positive autocorrelation occurs when similar values for the random

variable are clustered together in space, and negative autocorrelation
appears when dissimilar values are clustered in space.

The problem caused by the presence of spatial autocorrelation is,

basically, its implication that the sample contains less information than the
parts that are uncorrelated (Anselin and Bera, 1998).
 Dependncia espacial

Efeito escala e erros de medidas.

Y1 = Y A + YB
Y2 = YC + (1 )YB
1 2

A B C

yi = f ( y1 , y2 ,..., y N )
 Dependncia espacial

Interao espacial: localizao e distncia so importantes.

O que ocorre em um local do espao afeta o que ocorre em outros

lugares.

Uma representao formal seria:

yi = f ( y1 , y2 ,..., y N ),
i S (conjunto de todas as unidades espaciais)

Problema: mais parmetros (N2-N) do que observaes.

A soluo vem com a imposio de uma estrutura sobre a

relao funcional.
 Heterogeneidade espacial

Na literatura da cincia regional existem vrios exemplos de falta de

uniformidade dos efeitos espaciais:
Hierarquia do lugar central;
A existncia de leading and lagging regions.

Este tipo de fenmeno conduz a idia de utilizar modelos que levem em

conta os efeitos particulares de cada localizao.

A falta de estabilidade estrutural dos fenmeno estudados sobre o espao

comum e as unidades espaciais no so, em geral, homogneas:
Os setores censitrios tem forma e reas distintas;
Centros urbanos tem populao e rendas distintas.
 Heterogeneidade espacial

A forma mais fcil de ilustrar a heterogeneidade espacial no contexto de

regresso , talvez, combinando dados de corte transversal com dados
de srie temporal:

yit = f it ( xit , it , it ).
i se refere ao espao e t ao tempo

A funo f uma forma funcional de tempo e espao a qual

explica o valor da varivel dependente y em termos do vetor
de variveis dependentes.
Existem mais parmetros do que observaes e restries
devem ser impostas para que se possa estimar o modelo.
 Formalizao dos efeitos espaciais

Uma questo importante em econometria espacial referente a

incorporao da estrutura espacial no modelo.
Em sries temporais a noo de lag (defasagem) no deixa margens a
dvida: passado (t-s) ou futuro (t+s).
Quantas dimenses ns teramos no espao?
Como incluir lags de ordens superiores?
Por exemplo, o vizinho do vizinho.

A prpria noo de dependncia espacial implica na necessidade de

determinar quais as unidades no sistema espacial que tm alguma
influncia sobre uma outra particular unidade.
 Formalizao dos efeitos espaciais

Considerando um sistema S de N unidades espaciais, i = 1, 2, ..., N, e

uma varivel x observada em cada unidade espacial (renda, taxa de
criminalidade, etc.).
O conjunto dos vizinhos para a unidade i definido como a coleo de
unidades j para a qual xj est contido na forma funcional da probabilidade
condicional de xi, condicionado em todos as outras localidades. Ou seja:

P[ xi | x] = P[ xi | xJ ]
Onde xJ o vetor de observaes para xj j J, e x o
vetor contendo todos os valores de x no sistema.
 Formalizao dos efeitos espaciais

De forma alternativa, o conjunto de vizinhos j para i pode ser dado por:

{ j | P[ xi ] P[ xi | x j ]

Ou seja, o conjunto de localidades para o qual a

probabilidade marginal condicional de xi diferente da sua
probabilidade marginal incondicional.
Nenhuma dessas definies inclui informaes sobre a
localizao relativa das unidades espaciais.
 Formalizao dos efeitos espaciais

Uma forma de introduzir o aspecto espacial nestas definies utilizando

uma definio alternativa sugerida por Anselin (1988):

{ j | P[ xi ] P[ xi | x j ] e d ij < i

Onde dij uma medida de distncia entre i e j, e i um

ponto de corte para cada unidade i.
Essa definio combina a noo de dependncia estatstica e
a noo do espao.
O conjunto de vizinhos para cada unidade espacial pode ser
representada em uma estrutura grfica com uma matriz de
conectividade associada.
Formalizao dos efeitos espaciais

A forma mais simples de contiguidade a que considera uma

estrutura 0,1.
Se duas unidades possuem um borda comum de extenso diferente de zero
elas so consideradas contguas, e o valor 1 ento designado.

Tomemos os exemplos de estruturas regulares:

Borda comum Vrtice comum

b c c
b a b a
b c c
Formalizao dos efeitos espaciais

Ainda,
raio Segunda ordem
d

B c b c
B A B d b a b d

B c b c

d
A matriz de pesos espaciais

Uma forma de apresentar a questo de vizinhana atravs de uma

matriz de contiguidade.
Tomemos um exemplo de uma estrutura 3 x 3

Estrutura espacial dos

dados
a b c

d e f

g h i
 A matriz de pesos espaciais

A matriz uma representao da figura anterior, onde os vizinhos

recebem valor 1 e as demais clulas recebem valor 0.

Tabela
Matriz de contigidade binria
a b c d e f g h i
a 0 1 0 1 0 0 0 0 0
b 1 0 1 0 1 0 0 0 0
c 0 1 0 0 0 1 0 0 0
d 1 0 0 0 1 0 1 0 0
e 0 1 0 1 0 1 0 1 0
f 0 0 1 0 1 0 0 0 1
g 0 0 0 1 0 0 0 1 0
h 0 0 0 0 1 0 1 0 1
i 0 0 0 0 0 1 0 1 0
A matriz de pesos espaciais

O conceito de matriz binaria foi ampliado por Cliff e Ord (1973, 1981)
para incluir uma medida geral do potencial de interao entre duas
unidades espaciais.
Esta medida expressa em uma matriz de pesos espaciais W, onde
cada elemento denominado de wij.
A sugesto dos autores foi de utilizar uma combinao das distancias
e os cumprimentos das fronteiras:

wij = (dij ) ( ij )
a b

Onde dij a distancia entre as unidades i e j, ij a

proporo da fronteira da unidade i que est em contato
com a unidade j, e a e b so parmetros.
A matriz de pesos espaciais

Vrias outras formas foram propostas na literatura, a forma mais

simples a qual uma matriz simtrica 0,1 definida como antes
Os elementos (i,j) so iguais a 1 se i and j are vizinhos e 0 caso contrrio. Por
conveno, os elementos diagonais so iguais a zero wii=0.

A matriz de pesos pode ser padronizada pela linha, com cada dos
elementos no-zero sendo dado por:

s
w = wij
ij j wij
A matriz de pesos espaciais

Um problema importante que surge na incluso da matriz de pesos

que os mesmo so, em geral, tomados como exgenos e os valores
dos parmetros so determinados a priori, ou em passo separado do
resto da anlise espacial.
importante notar, entretanto, que melhor utilizar alguma estrutura
espacial do que no considerar o problema.
Operadores de defasagem (lag) espacial

O objetivo principal do uso da matriz espacial relacionar

uma unidade no espao a outra no sistema.
Em sries temporais isso feito atravs do operador de
defasagem (lag):
k
yt k = L y
No espao, a questo fica um pouco mais complicada
devido as diversas direes que o deslocamento pode
tomar.
Operadores de defasagem (lag) espacial

Consideremos, como um exemplo, a figura abaixo:

i-1,j+1 i,j+1 i+1,j+1

i,j
i-1,j i+1,j

i-1,j-1 i+1,j-1
i,j-1
Operadores de defasagem (lag) espacial

Em geral, no uma forte motivao a priori para guiar a

escolha da direo relevante da dependncia.
Claramente, o nmero de parmetros a ser estimado
pode ser tornar elevado em algumas situaes e, assim,
tornar a anlise sem sentido.
Pode ainda existir problemas de graus de liberdade.
Operadores de defasagem (lag) espacial

O problema resolvido considerando-se a soma

ponderada de todos os valores pertencentes a uma dada
classe de continuidade, ao invs de considerar cada um
individualmente.
Os termos da soma so obtidos pela multiplicao das
observaes em questo vezes o peso associado da
matriz de pesos espaciais, ou seja:

Ls yi = j wij y j j J i
Em forma matricial:

S
L y = Ws y
Modelos espaciais

Modelo auto-regressivo
Modelo de erro espacial
Modelos espaciais:taxinomia

O modelo geral.
y = W1 y + X +
= W2 +
~ N (0, )
E os elementos diagonais da matriz so definidos como:

ii = hi ( z ) hi > 0
um vetor de parmetros (K X 1); X uma matriz (N X K) de
variveis exgenas; o coeficiente (escalar) da varivel
dependente espacialmente de defasada; o coeficiente do termo
auto-regressivo espacial do erro.
Modelos espaciais:taxinomia

As duas matrizes (N x N) W1 e W2 so padronizadas ou no-

padronizadas
Isto permite que os processos estejam sujeitos a estruturas espaciais distintas.

No todo, o modelo tem 3 + K + P parmetros desconhecidos, ou em

forma vetorial:
=[, , , 2, ]
Casos especiais
Para = 0, = 0 e = 0, temos o modelo clssico:

y = X +
Para = 0 e = 0, o modelo se torna auto-regressivo espacial de primeira
ordem

y = W1 y + X +
Anselin (1988) sugere duas interpretaes possveis para :
Contgio verdadeiro ou dependncia espacial substantiva: mede spill-overs espaciais ou
difuso (exemplos: adoo de inovaes e competio de impostos);

Diferena entre a escala utilizada e a escala do fenmeno que est se observando

(modelos de habitao urbana, por exemplo).
Casos especiais

Para = 0 e = 0 modelo com efeito espacial no erro:

1
y = X + ( I W2 )

Uma interpretao para este modelo que a dependncia espacial seja vista como
uma nuansia (nuisance) (e o parmetro como um parmetro de nuisance) no
sentido de que ele reflete dependncia espacial em erros de medida ou em
variveis que no seriam de outra forma cruciais para o modelo (ou seja, a varivel
ignorada se espalha atravs das unidades espaciais).
Um exemplo

Modelo de convergncia

t = W t + ut
yi ,t +T
ln( ) = + ln( yi ,t ) + (I W)-1 ut
yi ,t

y i ,t +T y i ,t +T
ln( ) = + ln( y i ,t ) + W ln( ) + t
y i ,t y i ,t
Estimao dos modelos
espaciais

Limitaes do OLS
Estimador de verossimilhana
Limitaes do OLS

Consideremos o caso de modelo espacial auto-regressivo

de primeira ordem:

y = Wy + X +
y expresso com desvios da mdia.
A presena do termo Wy induz a uma correlao diferente
de zero com o erro.
O problema similar a presena de variveis endgenas, mas
diferente de variveis defasadas (lags) em sries temporais.
Limitaes do OLS

Em sries temporais yt-1 no correlacionado com i, na

ausncia de correlao serial nos erros.
Em contraste, (Wy)i sempre correlacionado com i,
independentemente da estrutura dos erros.
Alm do mais, o lag espacial para uma dada observao i
no somente correlacionado com o erro em i, mais com
todos os erros em todas as localizaes.
Limitaes do OLS

A estimativa do OLS para este modelo dada por:

1
b = ( yL yL ) yL y,
yL = Wy
Substituindo y temos

b = + ( yL yL ) yL
1

O valor esperado do segundo termo no igual a zero:

OLS viesado!

Por que?
Limitaes do OLS

O valor esperado do segundo termo :

[ 1
E ( yL ) = E W ( I W ) 0]

Que igual a zero apenas quando =0.
A matriz inversa (I - W)-1 uma matriz cheia, e no
triangular, resultando em um srie infinita que envolve os
erros em todos os locais:

(I + W + W 2 2 3 3
+ W + )
Limitaes do OLS: consistncia

Assintoticamente, a consistncia do estimador OLS

depende de

plim N 1 ( yL y L ) = Q, Uma matriz finita no singular

plim N 1 ( yL ) = 0

A primeira condio pode ser satisfeita com algumas

restries sobre e sobre W.
A segunda condio, entretanto, no vlida no caso
espacial
Limitaes do OLS

Da segunda condio, temos

plim N 1 ( yL ) = plim N 1 W ( I W ) 1

A presena de W nesta expresso resulta em uma forma

quadrtica nos erros.
Assim, exceto para o caso onde = 0, plim desta
expresso no ser igual a zero.
Concluso: o OLS viesado e inconsistente.
Limitaes do OLS

A segunda forma de inserir a autocorrelao espacial

dada por:
y = X +
= W2 +
ou
1
y = X + ( I W2 )
Na presena de autocorrelao espacial nos resduos o
OLS permanece no viesado e consistente, mas
ineficiente devido a estrutura no diagonal da matriz de
varincia.
Limitaes do OLS

Supondo homocedasticidade a covarincia do erro dada por:

E[ ] = 2 ( I W ) 1 ( I W ) 1
2 1
= [( I W ) ( I W )]

A matriz de varincia resultante cheia (full), implicando que cada

ponto no espao correlacionado com todos os outros, mais em
uma forma que decai com a ordem de contiguidade (potencias de W
na expanso de (I - W)-1).

Alm do mais, a estrutura complexa da matriz acima conduz

elementos diagonais no constantes, induzindo assim a
heteroscedasticidade em , independentemente da
heteroscedasticidade em .
Estimao por verossimilhana (MLE)

Consideremos o modelo geral:

y = W1 y + X + (1)
= W2 + (2)
~ N (0, )
E os elementos diagonais da matriz so definidos como:

ii = hi ( z ) hi > 0
No todo, o modelo tem 3 + K + P parmetros desconhecidos, ou em
forma vetorial:

=[, , , 2, ]
Estimao por verossimilhana (MLE)

O modelo pode ser expresso em uma forma no-linear, a qual facilita

a ilustrao dos resultados relevantes.

Tomemos a seguinte simplificao de notao:

A = I W1
B = I W2
O qual d, para as equaes (1) e (2) do modelo:

Ay = X + (3)
B = (4)
Estimao por verossimilhana (MLE)

Tambm, dado que a matriz de covarincia do erro

E ( ) =
diagonal, existe um vetor de distrbios aleatrios homocedsticos
, tal que
1
2
=
Ou de forma alternativa
1
= 2
E a equao (4) se torna
1
1
= B 2 (5)
Estimao por verossimilhana (MLE)

Substituindo (5) na equao (3) temos:

1
1
Ay = X + B 2
ou
1
2
B( Ay X ) = (6)
Nesta expresso no-linear (ou seja, no linear nos parmetros), um
vetor de erros independentes e normalmente distribudos.

Assim sendo, (6) se enquadra na expresso usual para a forma implcita

de modelos no lineares,

f ( y , X , ) =
Onde f uma forma funcional geral no-linear relacionando y, X e
um vetor de parmetros com os erros .
Estimao por verossimilhana (MLE)

Apesar do erro ter uma distribuio conjunta bem comportada, ele

no pode ser observado, de forma que a funo de verossimilhana
tem que ser baseada em y.

Consequentemente, necessrio introduzir o conceito de um

Jacobiano, o qual permite que a distribuio conjunta de y seja
derivada daquela de , atravs da relao funcional expressa em (6).

O Jacobiano para a transformao do vetor de variveis aleatrias

em um vetor de variveis aleatrias y :

J = det
y
O qual, usando (6), se torna:

| 1 2 BA |=| 1 2 || B || A | (7)
 Estimao por verossimilhana (MLE)

Baseado na distribuio normal padro para o erro e usando (7), a

funo log de verossimilhana para o vetor de observaes y
obtido como:

N 1 1
L = ( ) ln(2 ) ( ) ln | | + ln | B | + ln | A | ( ) (8)
2 2 2
Com,

1
= ( Ay X ) B B( Ay X )

De (8) segue que a funo verossimilhana equivalente a
minimizao da soma do quadrado dos erros (transformados)
corrigido pelo determinante do Jacobiano.

Essa correo far com que o OLS no seja equivalente ao MLE.

Estimao por verossimilhana (MLE)

A extenso da diferena entre os dois estimadores uma funo do

determinante dos determinantes de A e B.

Especialmente, para matrizes de peso padronizadas, a medida que

+1 ou +1, o ajuste se torna infinitamente grande.

Os determinantes ||, |A| e |B| podem causar problemas na

estimao, com possibilidade para no ser positiva e A e B
apresentarem comportamento explosivo.

Para se obter que as condies de regularidade da funo de

verossimilhana sejam satisfeitas necessrio que a seguinte
condio para o Jacobiano seja vlida:

| 1 2 BA |=> 0 (9)
que matrizes padronizadas usualmente significam que os parmetros
espaciais deveriam ser menores do que 1.
Estimao por verossimilhana (MLE)

Como vimos, um aspecto importante da funo de verossimilhana

o Jacobiano da transformao, que toma a forma de |I-W| e |I-W|
nos modelos de lag e erro espacial respectivamente.
O problema operacional aqui que o Jacobiano uma matriz cheia,
fato que poderia complicar o processo computacional.

Ord (1975) demonstrou que ele pode ser expresso como uma funo
dos auto- valores i da matriz de pesos espaciais, como (para caso
do modelo auto-regressivo):
N
I W = (1 i )
i =1
A funo de verossimilhana se tornaria:

N N 2
L = ln(1 i ) ( ) ln(2 ) ( ) ln( ) ( 2 ) (10)
i 2 2 2
Estimao por verossimilhana (MLE)

Das condies de primeira ordem, as estimativas de verossimilhana

de e 2 para o modelo auto-regressivo so dadas por:

ML = ( X X ) 1 X ( I W ) y (11)

2
ML = ( y Wy X LM )( y Wy X LM ) / N (12)

Substituindo (11) e (12) em (10) obtm-se a funo de

verossimilhana concentrada:
N
L = ln(1 i ) ( ) ln[(e0 eL )(e0 eL ) N ] (13)
i 2
Onde e0 e eL so os resduos das regresses de y sobre X e Wy sobre
X, respectivamente.
A estimativa de obtida por otimizao numrica de (13).
Testes para os modelos
espaciais

Teste de Moran
LM para o lag
LM para o erro
Teste I de Moran (1950)

O teste de I de Moran foi originalmente desenvolvido como um

anlogo em duas dimenses do teste de autocorrelao em sries de
tempo.

De maneira formal o teste pode ser apresentado como:

I = ( N S0 )( eWe ee) (14)

~ ~
onde, e = y X o vetor de resduos do OLS, = ( X X ) 1 X y
W a matriz de pesos espaciais, N o nmero de observaes e
S0 um fator de padronizao igual a soma dos pesos espaciais,

w
i j ij
Teste I de Moran (1950)

Para uma matriz padronizada pela linha, S0 simplifica para N (cada linha tem soma
igual a 1), a estatstica se torna:

I = (eWe) (ee) (15)

A estrutura do teste similar aquela do DW

DW = (eAe) (ee) (16)

A estatstica de Moran tem se mostrado robusta o vrios tipos de

relacionamentos espaciais, entretanto o teste no especfico para qualquer
tipo de dependncia espacial.
Teste I de Moran (1950)

Na prtica o teste implementado sobre a base de um valor z assintoticamente

normalmente distribudo, obtido pela subtrao do valor esperado e diviso pelo
desvio padro.

Uma vantagem de uma estatstica como I que sob H0: = 0 e normalidade de ,

ee distribudo como uma 2 central.

Se utilizando disto, Cliff e Ord (1972) derivaram os dois primeiros momentos como:

E( I ) = tr(MW ) ( N K )
[tr ( MWMW ) + tr ( MW ) 2 + {tr ( MW )}2 ]
V (I ) =
[( N K )( N K + 2)] [ E ( I )]2

onde M = I X ( X X ) 1 X
Testes de LR para dependncia espacial (lag e erro)

Em contraste com o teste de Moran existem tambm testes que so baseado

em hipteses alternativas explcitas:
Ha: 0 e Ha: = 0

Os testes de Wald, LR e LM (RS) podem ser utilizado, entretanto o ltimo ,

talvez, mais fcil de se utilizar.

A forma do teste a usual, ou seja:

~ ~ 1 ~
RS = d ( ) ( ) d ( )
(17)
d ( ) = L( ) o vetor de score.

( ) = E[ 2 L( ) ( ) ( )] a matriz de informao

L( ) a funo de verossimilhana.
~ o estimador de verossimilhana restrito de

Outros testes para dependncia espacial: erro

O teste para o erro dado por:

d = L =0
= ( W ) 2 (18)
Depois de computar a matriz de informao sob a hiptese nula, o teste se
torna:
~2
RS = d T = [( W ) 2 ]2 T (19)

onde T = tr[(W + W )W ]
Consequentemente, o teste requer apenas estimativas de OLS, e sob a
hiptese nula, temos
D
RS 12
Outros testes para dependncia espacial:lag

O teste para o lag , de forma similar, dado por:

d = L =0
= ( Wy) 2 (20)
O teste RS ento dado por:
~2 ~ ~ 2 2 ~
RS = d T1 = [( Wy) ] T1 (21)

onde T1 = [(WX )M (WX ) + T 2 ] 2

e T = tr[(W + W )W ]

sob a hiptese nula,

D
RS 12
Um exemplo
Convergncia

Convergence equation:

y i ,t +T
ln( ) = + ln( y i ,t ) + i ,t
y i ,t

where yi,t is the per capita income of the i state at the t year,
is constant
is the convergence coefficient to be estimated.
Convergence requires to be negative.
Club convergence

Club equation:
YS ,t + YS ,t
ln( ) = ( 1 + )ln( )
Yi ,t + Yi ,t
The ratio of the logs of Ys and Yi as a gap between the state of
largest per capita income (state s) and the state I.
Generalizing the model to include higher powers of dependent
variable, the equation above can be rewritten as:
K k

Gi ,t + = k (G i ,t )
k =1

where Gi is the ratio of logs or the gap between each state and
the one with largest per capita income.
Club convergence

Relationship between initial and final gaps

1

0.8 C
Final gapl

0.6
B
0.4
A
0.2
relationship 45 degree line
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Initial gap
Spatial error model

t = W t + ut

-convergence model
yi ,t +T
ln( ) = + ln( yi ,t ) + (I W)-1 ut
yi ,t
Club convergence model
K k

Gi ,t + = k ( Gi ,t ) + (I W) 1 ut
k =1
Spatial lag model

-convergence model
y i ,t +T y i ,t +T
ln( ) = + ln( y i ,t ) + W ln( ) + t
y i ,t y i ,t
Club convergence model
K k

Gi ,t + = k ( Gi ,t ) + WGi ,t + + t
k =1
 RR
RR AP
AP

AM
AM PA
PA

CE
CE RN
RN
MA
MA
PB
PB
PI
PI
PE
PE
AC
AC TO
TO
AL
AL
RO
RO

MT
MT SE
SE
BA
BA

GO
GO

MG
MG
ES
ES
MS
MS

SP
SP RJ
RJ

PR
PR

SC
SC
Gaps
>1
0,5 a 1
RS
RS 0 a 0,5
Relao espacial: plots de Moran

Morans scatterplots for the gaps for Brazilian states

with respect to So Paulo, 1986
ma
pi
ce
pe
1.0

rn
pb
Gaps dos vizinhos (padronizados)

to
0.5

ba al
se
pa
go
0.0

apmt
am ac
rr
-0.5

ro
es
msmg

sc
-1.0

rg pr
rj

-1.0 -0.5 0.0 0.5 1.0 1.5 2.0

Gaps(padronizados)
Resultados empricos

Results for the convergence model with spatial correction

Spatial error model Spatial lag model
AIC -24.508 -25.696
SC -21.991 -21.922

Constant 1.539 0.680

(2.678) (1.557)
Log of per capita income in
1986 -0.196 -0.087
(-2.686) (-1.566)
0.648
(3.418)
0.394
(1.579)
Notes: AIC e SC are respectively the Akaike Information Criteria and the
Schwarz Criteria. t-values in parenthesis.

Both spatial coefficients are significant, however, is significant

only for the error model.
Resultados empricos

Results for the club convergence model with

spatial correction
Spatial error model Spatial lag model

AIC -22.495 -31.239

SC -18.720 -26.207
1 1.42 0.863
(4.889) (3.582)
2 -0.752 -0.529
(-1.624) (-1.550)
3 0.588 0.234
(1.469) (1.695)
0.588 -
(-2.843) -
- 0.389
- (3.163)
Notes: AIC e SC are respectively the Akaike Information Criteria and the
Schwarz Criteria. t-values in parenthesis.

The spatial lag model performs better than the error

model.
Resultados empricos

Relationship between the initial and final gaps for

the Brazilian states, 1986-95
1.5
1.4
1.3
1.2
1.1
1
0.9
final gap

0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1.1 1.2 1.3 1.4 1.5
initial gap
gaps 45 degree line
Concluses

Despite of not find strong indication a global convergence among the states,
the results of clubs equation demonstrated that the states of the South and
Southeast are in fact converging to the per capita income level of So Paulo,
while the states of the Northeast presented a divergence trend with respect to
the rest of the country.

The results of clubs were found only after the spatial correction. Such fact
demonstrates the importance of the spatial dimension for the convergence
problem among the Brazilian states.
Moran scatterplot real state per capita income,
1970

PR
Spatial Lag of Per-capita income (Standardized)

1.0

MG RJ
SC SP
RS
0.5

ES
GO

MT
0.0

AM DF
PA

AL
BA
-0.5

SE

PI PB

MA
-1.0

CE PE
RN

-1 0 1 2
Per-capita income (Standardized)
Moran scatterplot real state per capita
income, 1995

PR
Spatial Lag of Per-capita income (Standardized)

1.0

SC
MG RJ
RGS SP
0.5

GO
ES DF

MT
0.0

AM
BA
AL
-0.5

PA

PB SE

PI
-1.0

CE PE
MA RGN

-1 0 1 2

Per-capita income (Standardized)