Spatial weights matrix selection and model averaging for spatial autoregressive models
空间自回归模型的权重矩阵选择与模型平均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：摘要以空间权重矩阵描述截面联系和相互依赖，支持网络联系方向，但未明确研究因果干扰效应。
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
空间自回归模型的权重矩阵选择与模型平均
- 研究问题
- 当空间依赖可由多个候选权重矩阵描述时，如何选择矩阵或进行模型平均，并在真实矩阵缺失及内生性等情形下控制估计损失？
- 方法与思路
- 作者使用 Mallows 型准则选择权重矩阵并构造模型平均，扩展至异方差、内生回归变量及同时含空间滞后与空间误差的模型。
- 材料陈述的贡献
- 摘要称候选集不含真实矩阵时选择程序具有平方损失渐近最优性，包含时可一致选择真实矩阵，并提供模拟与中国历史米价应用。
- 阅读关注点
- 应核对平方损失的对象、候选矩阵限制、真实矩阵存在与否的两套条件，以及模型平均权重和内生性处理的计算方法。
- 阅读边界
- 仅依据所给出版社摘要，不能判断候选矩阵构造与工具变量等具体条件；渐近保证不等于所有有限样本中均降低损失。
原文摘要
Spatial econometrics relies on the spatial weights matrix to specify the cross-sectional dependence; however, the candidate spatial weights matrices might not be unique. This paper proposes a model selection procedure to choose a weights matrix from several candidates by using a Mallows type criterion. We prove that when the true weights matrix is not in the candidates, the procedure is asymptotically optimal in the sense of minimizing the squared loss; otherwise, the procedure can select the true weights matrix consistently. We then propose a model averaging procedure to reduce the squared loss. We also provide procedures for the spatial model with heteroscedasticity and endogenous regressors and the model with both spatial lag and spatial error. Monte Carlo experiments show that proposed procedures have satisfactory finite sample performances. We apply the model selection and model averaging procedures to study the market integration in China using historical rice prices.