Spatial filtering in various forms has become a popular way to address spatial dependence in statistical models (Griffith, 2003; Tiefelsdorf & Griffith, 2007). However, spatial filtering faces computational challenges for largenas the current method requires order of n3operations. This manuscript demonstrates how using iterative eigenvalue routines on sparse weight matrices can make filtering feasible for data sets involving a million or more observations and empirically estimates an operation count on the order of n1.1. Moreover, we show that filtering performs better, both statistically and numerically, for spatial weight matrices with more neighbours. Finally, we show that although filtering out spatial aspects of the data reduces bias in parameter estimates for the spatially lagged dependent variable DGP, it also filters out spatial aspects of interest such as spillovers. RÉSUMÉ le filtrage spatial, sous différentes formes, est devenu un moyen populaire de traiter la dépendance spatiale dans des modèles statistiques (Griffith, 2003; Tiefelsdorf & Griffith, 2007). Toutefois, le filtrage spatial doit relever aujourd'hui le défi de l'informatique, pour des valeurs ‘N’ élevées, la méthode actuelle nécessitant des opérations de l'ordre de N au cube. Le présent manuscrit démontre la faon dont l'emploi de programmes à valeur propre itérative sur des matrices à pondération creuse peut permettre la viabilité du filtrage pour des ensembles de données comportant un million d'observations, ou davantage, et effectue de faon empirique une évaluation du nombre d'opérations sur l'ordre de ‘N’. Nous démontrons également que le filtrage fonctionne mieux, tant sur le plan statistique que sur le plan numérique, pour des matrices à pondération spatiale comportant plus de voisins. Nous démontrons enfin que, bien que le filtrage d'aspects spatiaux des données réduise les distorsions des estimations de paramètres, il permet également de filtrer des aspects spatiaux pertinents, comme les débordements. EXTRACTO El filtrado espacial de diversas formas se ha convertido en una manera popular de tratar la dependencia espacial en modelos estadísticos (Griffith, 2003; Tiefelsdorf & Griffith, 2007). No obstante, el filtrado espacial se enfrenta a retos computacionales para N grande, ya que el método actual requiere un orden de operaciones de N al cubo. Este documento demuestra cómo la aplicación de rutinas de valores eigen iterativas a matrices de pesos escasos puede hacer posible la filtración para conjuntos de datos con un millón o más de observaciones, y estima empíricamente un conteo de operaciones sobre el orden de N. Asimismo, mostramos que el filtrado es más eficaz, tanto estadística como numéricamente, en matrices de pesos espaciales con más vecinos. Finalmente, mostramos que, aunque el filtrado de aspectos espaciales de los datos reduce la parcialidad en las estimaciones de parámetros, también filtra aspectos espaciales de interés, tales como los ‘spillovers’. 摘要: 各种形式的空间过滤法已成为解决统计模型空间依赖性的一种常用方法(Getis and Griffith, 2002; Griffith, 2003;以及Tiefelsdorf and Griffith, 2007)。然而, 空间过滤法在N较大时面临计算方面的挑战, 因为目前的方法要求N-立方阶操作。本文展示了针对稀疏权重矩阵使用迭代特征值例程如何能使一百万或更多的观测数据集的过滤成为可能, 并能凭经验估计N阶的操作计数。此外, 我们还展示, 对于有更多邻近值的空间权重矩阵来说, 无论从统计学角度还是数值角度看, 过滤性能都能得到改善。最后, 我们还展示, 虽然过滤掉数据的空间方位能减少参数估计的偏差, 但同时也会过滤掉有意义的空间方位, 例如外溢。 [ABSTRACT FROM AUTHOR]