Adjusted R[2] 0.88 0.89
Log likelihood -21.9860 -20.1865 -22.0816 -20.6987
Sample Size 29 29 29 29
注：括号内标注的是统计量的显著性水平。
4.2.1 模型的空间特性检验
两个拉格朗日多项式LMerr和LMlag都可看出空间依存性的存在。因为LMerr的概率是0.08而LMlag的概率是0.54，所以空间误差构成模型（SEA）更适合解释中国FDI的区域分布。对于空间异方差（spatial hetersocedasticity），Breusch-Pagan检验的概率是0.26 说明了它是不可能存在的。Kiefer-Salmon检验的概率是0.27，说明残差项分布是正态分布。
对于中国FDI区域分布的SEA模型，运用极大似然估计方法而言，传统的R[2]不再适合空间依存性模型，具体检验空间依存性有两种方法。第一种方法是X[2]（1）检验，用SEA模型负的Log likelihood的值减去OLS相应的值的2倍与临界值X[2]（1）相比较。对于模型1和模型2的检验值分别为3.5和2.8，均大于X[2]（1）（显著性水平为0.1时，其值等于2.71）的临界值。第二种方法是直接通过λ的概率值来判断空间依存性的存在，模型1和模型2概率值（分别为0.0079和0.0163）的显著性水平都是5％。
空间计量模型和普通模型相比最大的区别在于通过空间自相关系数λ表明：我国FDI区域分布的地理溢出程度是14％，即一个地区FDI的增加会溢出其地理边界使相邻地区的FDI也相应有所增加。虽然空间计量模型（SEA）的回归系数与普通模型相比只有细微的变化，但是降低了回归系数的标准差和报告的概率值，增加了回归系数的有效性。
4.2.2 模型结果分析
从表2的估计结果看，模型1和模型2的OLS回归结果和以前的研究（Qian sun，2002；孙俊，2002；Chunlai Chen，1997）相比是极其相似的，模型对中国FDI区域分布方差的解释能力都在88％以上。
模型1包括所有预先设置的自变量，除调整工资变量外，其他都是正相关。然而，并非所有的变量统计上都是显著的，基础设施（lnLD[,t－1]）和信息成本（IC）的统计检验不显著。经济总量（lnGDP[,t－1]）、市场化水平（lnMAK[,t－1]）和累积的FDI（lnCFDI[,t－1]）的显著性水平为5％，调整工资率（lnWAIP[,t－1]）和开放程度（lnOPEN[,t－1]）的显著性水平是10％。基础设施与FDI的区域分布呈现正向关联但统计不显著。信息成本（或沿海地区亚变量）与FDI的区域分布呈现正向关联但也不显著，这个结果与许多研究结论不一致，只能说明中国加入WTO以后沿海地区的地理位置与倾斜政策等历史上的优势在逐步消失。
