Adaptive inference on pure spatial models
纯空间模型的自适应推断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：摘要集中于一般半参数空间模型，未明确对应给定细分中的网络、面板或其他具体方向。
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
纯空间模型的自适应推断
- 研究问题
- 在没有解释变量、误差分布未知且参数或权重矩阵可非线性变化的纯空间模型中，能否构造有效的估计和检验？
- 方法与思路
- 作者在半参数空间模型中提出自适应估计及检验，构造检验无空间依赖的拉格朗日乘子程序，并扩展至空间相关误差回归。
- 材料陈述的贡献
- 摘要称验证了自适应估计的可行性与渐近效率，并指出相对高斯伪极大似然的效率改善取决于空间权重矩阵性质。
- 阅读关注点
- 应核对未知误差分布的估计方式、权重矩阵限制、自适应效率成立条件，以及向含解释变量回归扩展所需的变化。
- 阅读边界
- 仅据所给出版社摘要，无法判断具体效率增益或有限样本表现；空间模型的应用领域也未明确，不宜推断为社会网络研究。
原文摘要
In a general class of semiparametric pure spatial models (having no explanatory variables) allowing nonlinearity in the parameter and the weight matrix, we propose adaptive tests and estimates which are asymptotically efficient in the presence of unknown, nonparametric distributional form. Feasibility of adaptive estimation is verified and its efficiency improvement over Gaussian pseudo maximum likelihood is shown to be either less than, or more than, for models with explanatory variables, depending on properties of the spatial weight matrix. An adaptive Lagrange Multiplier testing procedure for lack of spatial dependence is proposed and this, and our adaptive parameter estimate, are extended to cover regression with spatially correlated errors.