Identifying spatial interdependence in panel data with large N and small T
大 N、小 T 面板数据中的空间相互依赖识别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：摘要使用地区增加值增长面板研究单位间空间联系，支持宏观面板分类；估计联系矩阵也直接关联网络依赖方向。
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…
大 N、小 T 面板数据中的空间相互依赖识别
- 研究问题
- 当横截面单位远多于时间期数时，如何在不预设空间权重矩阵的情况下，估计面板空间自回归模型中的单位间联系？
- 方法与思路
- 作者提出两阶段变分贝叶斯算法，以 Dirichlet–Laplace 先验实施变量选择和参数收缩，并从数据估计空间权重矩阵。
- 材料陈述的贡献
- 摘要称，模拟中的算法速度快且权重矩阵接近真值；欧盟地区增加值增长应用呈现国家内聚类及若干跨国空间联系。
- 阅读关注点
- 应核对空间权重与自回归参数的识别、先验施加的约束、变分近似误差，以及运行时间比较和联系恢复的评价标准。
- 阅读边界
- 所给来源为 arXiv 预印本，同行评审未经核实；摘要未给出识别条件、误差数值，未预设权重矩阵也不意味着没有建模限制。
原文摘要
This paper develops a simple two-stage variational Bayesian algorithm to estimate panel spatial autoregressive models, where N, the number of cross-sectional units, is much larger than T, the number of time periods without restricting the spatial effects using a predetermined weighting matrix. We use Dirichlet-Laplace priors for variable selection and parameter shrinkage. 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 strongly resemble the true spatial weights matrices. As an illustration, we investigate the spatial interdependence of European Union regional gross value added growth rates. In addition to a clear pattern of predominant country clusters, we have uncovered a number of important between-country spatial linkages which are yet to be documented in the literature. This new procedure for estimating spatial effects is of particular relevance for researchers and policy makers alike.