Estimation of spatial sample selection models: A partial maximum likelihood approach
空间样本选择模型估计：部分极大似然方法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：摘要聚焦空间样本选择与横截面依赖，未明确网络干扰、面板或具体经济结构，所列细分缺少直接匹配证据。
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
空间样本选择模型估计：部分极大似然方法
- 研究问题
- 在选择方程与结果方程均存在空间滞后潜在因变量或空间误差时，如何处理横截面依赖并实现可行的样本选择模型估计？
- 方法与思路
- 作者提出部分极大似然估计，分别处理空间滞后与空间误差设定，并采用参数自助法估计方差矩阵。
- 材料陈述的贡献
- 摘要称估计量一致且渐近正态，并提出便于实施的方差估计方法；模拟展示优势，但摘要未提供具体比较指标和数值。
- 阅读关注点
- 应核对部分似然保留哪些信息、空间权重与误差分布条件，以及参数自助法是否同时反映选择机制和空间依赖。
- 阅读边界
- 仅据所给 OpenAlex 摘要；摘要未列出一致性条件、计算复杂度或模拟设计，不能判断优势的适用范围及刊本变化。
原文摘要
We study estimation of sample selection models with the spatially lagged latent dependent variable or spatial errors in both the selection and outcome equations under cross-sectional dependence. Since there is no estimation framework for the spatial-lag model and the existing estimators for the spatial-error model are computationally demanding or have poor small sample properties, we suggest to estimate these models by the partial maximum likelihood estimator. We show that the estimator is consistent and asymptotically normally distributed. To facilitate easy and precise estimation of the variance matrix, we propose the parametric bootstrap method. Simulations demonstrate the advantages of the estimators.