Bandwidth Selection for Spatial HAC Standard Errors
空间 HAC 标准误的带宽选择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：摘要研究通用空间相关下的协方差估计，未明确网络干扰、因果效应或面板结构，所列方向缺乏直接匹配。
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 HAC 标准误的带宽选择
- 研究问题
- 论文研究空间相关回归中 HAC 标准误对距离带宽的敏感性，以及如何选择带宽以避免过窄或过宽设定导致推断失真。
- 方法与思路
- 作者根据回归残差的经验协方差图提出非参数、数据驱动的带宽选择器，并用美国空间结构校准模拟比较带宽和核函数。
- 材料陈述的贡献
- 摘要称带宽与标准误存在倒 U 形关系，所提选择器在广泛模拟中接近名义错误率，并以县级应用及 R 包提供实践支持。
- 阅读关注点
- 应核对倒 U 形关系的适用范围、协方差图估计和带宽规则，以及模拟中的空间结构、样本布局与检验尺寸评价。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要不足以把倒 U 形关系及模拟尺寸控制推广到任意空间过程。
原文摘要
Spatial autocorrelation in regression models can lead to downward biased standard errors and thus incorrect inference. The most common correction in applied economics is the spatial heteroskedasticity and autocorrelation consistent (HAC) standard error estimator introduced by Conley (1999). A critical input is the kernel bandwidth: the distance within which residuals are allowed to be correlated. However, this is still an unresolved problem and there is no formal guidance in the literature. In this paper, I first document that the relationship between the bandwidth and the magnitude of spatial HAC standard errors is inverse-U shaped. This implies that both too narrow and too wide bandwidths lead to underestimated standard errors, contradicting the conventional wisdom that wider bandwidths yield more conservative inference. I then propose a simple, non-parametric, data-driven bandwidth selector based on the empirical covariogram of regression residuals. In extensive Monte Carlo experiments calibrated to empirically relevant spatial correlation structures across the contiguous United States, I show that the proposed method controls the false positive rate at or near the nominal 5% level across a wide range of spatial correlation intensities and sample configurations. I compare six kernel functions and find that the Bartlett and Epanechnikov kernels deliver the best size control. An empirical application using U.S. county-level data illustrates the practical relevance of the method. The R package SpatialInference implements the proposed bandwidth selection method.