Higher-order least squares inference for spatial autoregressions
空间自回归模型的高阶最小二乘推断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：摘要围绕空间权重矩阵所刻画的单位间依赖及空间自回归推断，直接对应网络与相互影响的计量问题。
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
空间自回归模型的高阶最小二乘推断
- 研究问题
- 在含预定解释变量的空间回归中，当空间权重不随样本扩大而一致趋零时，如何检验空间依赖并构造更精细的区间？
- 方法与思路
- 作者利用形式上的 Edgeworth 展开，改进无空间依赖假设的检验，并对变换后估计量及其学生化形式建立高阶展开。
- 材料陈述的贡献
- 摘要称，所提检验无需空间权重可忽略的条件，学生化的变换估计量可用于精细区间估计，并以模拟考察有限样本表现。
- 阅读关注点
- 应核对空间权重矩阵与预定变量的限制、估计量变换的具体形式，以及形式展开如何支持检验和区间的误差改进。
- 阅读边界
- 仅据所给出版社摘要，无法判断高阶展开的严格有效范围、误差阶数或模拟改善幅度，也不能推断其他版本变化。
原文摘要
We develop refined inference for spatial regression models with predetermined regressors. The ordinary least squares estimate of the spatial parameter is neither consistent nor asymptotically normal, unless the elements of the spatial weight matrix uniformly vanish as sample size diverges. We develop refined testing of the hypothesis of no spatial dependence, without requiring such negligibility of spatial weights, by formal Edgeworth expansions. We also develop such higher-order expansions for both an unstudentized and a studentized transformed estimate, where the studentized one can be used to provide refined interval estimates. A Monte Carlo study of finite sample performance is included.