Estimating unrestricted spatial interdependence in panel spatial autoregressive models with latent common factors
含潜在共同因子的面板空间自回归模型：无预设空间结构的相互依赖估计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：摘要研究含潜在共同因子的面板模型，并以欧盟地区增加值增长率作为宏观应用。
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…
含潜在共同因子的面板空间自回归模型：无预设空间结构的相互依赖估计
- 研究问题
- 在横截面单位远多于时期、存在潜在共同因子的面板中，如何不预设空间联系结构而估计空间依赖及共同因素？
- 方法与思路
- 作者在共同因子数量已知的面板空间自回归模型中提出贝叶斯估计方法，通过蒙特卡洛和欧盟地区增加值增长数据展示表现。
- 材料陈述的贡献
- 摘要称方法计算快速且能较好恢复空间权重和共同因子；应用显示明显的国家层面聚类，特定潜在冲击解释的变异较少。
- 阅读关注点
- 应核对空间权重与因子的识别、先验和规范化、已知因子数的作用，以及高维参数估计精度和计算速度的比较依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未说明识别约束、先验或速度指标，不预设空间结构不等于完全无约束。
原文摘要
We develop a new Bayesian approach to estimating panel spatial autoregressive models with a known number of latent common factors, where N, the number of cross-sectional units, is much larger than T, the number of time periods. Without imposing any a priori structures on the spatial linkages between variables, we let the data speak for themselves. Extensive Monte Carlo studies show that our method is super-fast and our estimated spatial weights matrices and common factors strongly resemble their true counterparts. As an illustration, we examine the spatial interdependence of regional gross value added (GVA) growth rates across the European Union (EU). In addition to revealing the clear presence of predominant country-level clusters, our results indicate that only a small portion of the variation in the data is explained by the latent shocks that are uncorrelated with the explanatory variables.