Fast Two-Stage Variational Bayesian Approach to Estimating Panel Spatial Autoregressive Models with Unrestricted Spatial Weights Matrices
无预设空间权重限制的面板空间自回归模型快速两阶段变分贝叶斯估计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：摘要以面板空间自回归为核心，并估计横截面单位间的空间权重关系及溢出结构，支持面板数据和网络与干扰方向的分类。
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…
无预设空间权重限制的面板空间自回归模型快速两阶段变分贝叶斯估计
- 研究问题
- 如何在不预先限定空间权重结构的情况下，快速估计面板空间自回归模型，并从数据中恢复横截面单位之间的空间联系？
- 方法与思路
- 作者提出两阶段变分贝叶斯算法，以Dirichlet-Laplace先验学习空间权重，并扩展到稀疏位置不受预设限制的大型协方差矩阵估计。
- 材料陈述的贡献
- 摘要称算法在长短面板模拟中表现良好，并提出大型协方差矩阵的变分估计；欧元区主权评级和利差应用显示南北地区溢出模式不同。
- 阅读关注点
- 应核对空间权重的识别与稳定性约束、先验和变分近似的作用、两阶段计算的误差，以及模拟中的速度和估计精度比较。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收。无预设权重限制不等于没有模型条件；摘要未说明复杂度、数值误差或溢出因果性。
原文摘要
This paper proposes a fast two-stage variational Bayesian (VB) algorithm to estimate unrestricted panel spatial autoregressive models. Using Dirichlet-Laplace priors, we are able to uncover the spatial relationships between cross-sectional units without imposing any a priori restrictions. Monte Carlo experiments show that our approach works well for both long and short panels. We are also the first in the literature to develop VB methods to estimate large covariance matrices with unrestricted sparsity patterns, which are useful for popular large data models such as Bayesian vector autoregressions. In empirical applications, we examine the spatial interdependence between euro area sovereign bond ratings and spreads. We find marked differences between the spillover behaviours of the northern euro area countries and those of the south.