Efficient closed-form estimation of large spatial autoregressions
大规模空间自回归模型的高效闭式估计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。
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：摘要研究高维空间自回归估计，未明确涉及所列面板、网络干扰或其他细分框架。
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
大规模空间自回归模型的高效闭式估计
- 研究问题
- 当空间自回归模型的参数数量随样本缓慢增长时，能否用计算简单的闭式估计，保留高斯情形下最大似然估计的渐近效率？
- 方法与思路
- 作者研究伪最大似然估计的牛顿步近似，并考察从最小二乘初始估计出发的更新，通过模拟和小型实证例子评价估计表现。
- 材料陈述的贡献
- 摘要称，该闭式方法在高斯条件下具有最大似然的渐近效率，无需参数空间紧致性；最小二乘起点下可减弱部分中心极限定理条件。
- 阅读关注点
- 应核对参数维度允许的增长速度、初始估计的精度要求、牛顿更新次数与效率结论的关系，以及非高斯情形下理论如何变化。
- 阅读边界
- 仅据所给 OpenAlex 摘要，无法确认完整正则条件、计算增益或实证精度变化的数值；该摘要与其他版本或刊本的差异未说明。
原文摘要
Newton-step approximations to pseudo maximum likelihood estimates of spatial autoregressive models with a large number of parameters are examined, in the sense that the parameter space grows slowly as a function of sample size. These have the same asymptotic efficiency properties as maximum likelihood under Gaussianity but are of closed form. Hence they are computationally simple and free from compactness assumptions, thereby avoiding two notorious pitfalls of implicitly defined estimates of large spatial autoregressions. When commencing from an initial least squares estimate, the Newton step can also lead to weaker regularity conditions for a central limit theorem than some extant in the literature. A simulation study demonstrates excellent finite sample gains from Newton iterations, especially in large multiparameter models for which grid search is costly. A small empirical illustration shows improvements in estimation precision with real data.