Statistical inference on regression with spatial dependence
空间依赖回归的统计推断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：摘要研究空间回归，但未明确面板、网络干扰或所列其他具体领域，故不强行归类。
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…
空间依赖回归的统计推断
- 研究问题
- 当空间数据中的解释变量与不可观测扰动允许依赖及异质性时，线性和半参数部分线性回归的工具变量估计如何进行有效推断？
- 方法与思路
- 作者建立工具变量估计的中心极限定理，讨论对扰动异方差或依赖稳健的协方差估计，并开展模拟及印度区域数据示例。
- 材料陈述的贡献
- 摘要称，理论允许一般形式的空间依赖与异质性，并比较稳健和非稳健标准误；区域应用还包含扰动空间相关检验与非参数拟合。
- 阅读关注点
- 应核对空间依赖及异质性的具体限制、工具变量有效性、空间样本的渐近安排，以及稳健协方差估计所需的调参规则。
- 阅读边界
- 仅据所给出版社摘要，无法判断一般空间依赖的准确范围、模拟表现或应用结论，也不能把稳健标准误视为因果识别保证。
原文摘要
Central limit theorems are developed for instrumental variables estimates of linear and semiparametric partly linear regression models for spatial data. General forms of spatial dependence and heterogeneity in explanatory variables and unobservable disturbances are permitted. We discuss estimation of the variance matrix, including estimates that are robust to disturbance heteroscedasticity and/or dependence. A Monte Carlo study of finite-sample performance is included. In an empirical example, the estimates and robust and non-robust standard errors are computed from Indian regional data, following tests for spatial correlation in disturbances, and nonparametric regression fitting. Some final comments discuss modifications and extensions.