Spatiotemporal Autoregressive Models for Areal Compositional Data
区域组成数据的时空自回归模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确针对区域单位与时间点构成的面板数据，并联合建模空间依赖和时间动态。
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
区域组成数据的时空自回归模型
- 研究问题
- 面对各地区随时间变化、分量受到组成约束的经济份额数据，如何同时刻画时间动态与空间依赖，并识别和估计模型参数？
- 方法与思路
- 作者提出适用于区域组成型面板响应的时空多元自回归模型，采用准最大似然估计，并研究地区数和时间长度共同增长的渐近性质。
- 材料陈述的贡献
- 摘要称建立模型可识别性与估计量渐近性质，并通过柏林房产交易组成和西班牙地区产业组成展示模型捕捉时空经济特征的能力。
- 阅读关注点
- 应核对组成约束的实现方式、空间关系设定、地区与时间维度的增长条件，以及案例中常规模型遗漏特征的具体比较依据。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明参数限制、空间权重选择或比较结果，无法判断模型适用边界。
原文摘要
Compositional data, such as regional shares of economic sectors or property transactions, are central to understanding structural change in economic systems across space and time. This paper introduces a spatiotemporal multivariate autoregressive model tailored for panel data with composition-valued responses at each areal unit and time point. The proposed framework enables the joint modelling of temporal dynamics and spatial dependence under compositional constraints, and is estimated via a quasi-maximum likelihood approach. We build on recent theoretical advances to establish the identifiability and asymptotic properties of the estimator as both the number of regions and the number of time points grow. The utility and flexibility of the model are demonstrated through two applications: analysing property transaction compositions in an intra-city housing market (Berlin), and regional sectoral compositions in Spain's economy. These case studies highlight how the proposed framework captures key features of spatiotemporal economic processes that are often missed by conventional methods.