Inference on higher-order spatial autoregressive models with increasingly many parameters
参数数量递增的高阶空间自回归模型推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确涉及空间自回归和递增维度，但未说明网络交互、干扰或具体经济结构，现有细分不足以直接对应。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
参数数量递增的高阶空间自回归模型推断
- 研究问题
- 当空间自回归阶数和回归变量数量随样本量缓慢增加时，最小二乘及工具变量估计能否保持一致性和渐近正态性？
- 方法与思路
- 作者在参数维度递增的高阶空间自回归模型中分析两类估计量，研究维度相对样本量的允许增长速度，并结合模拟与小型应用。
- 材料陈述的贡献
- 摘要称，论文建立一致性与渐近正态性结果，容纳若干空间场景所提示的渐近机制，并考察理论在有限样本中的含义。
- 阅读关注点
- 应核对阶数和回归变量数量的增长限制、空间权重及工具变量条件，并区分不同空间渐近机制对估计结论的影响。
- 阅读边界
- 仅据所给 RePEc 出版社摘要；增长速度的具体界限、应用背景及模拟结果未说明，不能评判高维适用范围，也不推断版本变化。
原文摘要
This paper develops consistency and asymptotic normality of parameter estimates for a higher-order spatial autoregressive model whose order, and number of regressors, are allowed to approach infinity slowly with sample size. Both least squares and instrumental variables estimates are examined, and the permissible rate of growth of the dimension of the parameter space relative to sample size is studied. Besides allowing the number of parameters to increase with the data, this has the advantage of accommodating some asymptotic regimes that are suggested by certain spatial settings, several of which are discussed. A small empirical example is also included, and a Monte Carlo study analyses various implications of the theory in finite samples.