Trending Time-Varying Coefficient Spatial Panel Data Models
具有趋势性时变系数的空间面板数据模型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：摘要研究空间面板模型，并明确分析中国城市之间空气污染的溢出效应。
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
具有趋势性时变系数的空间面板数据模型
- 研究问题
- 当空间面板模型的回归系数随时间呈趋势变化时，如何消除个体效应、估计系数路径，并推断空间溢出趋势？
- 方法与思路
- 作者通过时间差分消除个体效应，利用线性与二次矩构造多种 GMM 估计，并据此提出时间趋势估计量。
- 材料陈述的贡献
- 摘要称，模拟中的估计量有限样本表现令人满意；中国城市空气污染应用展示了二〇一五至二〇二一年的溢出效应趋势。
- 阅读关注点
- 应核对趋势函数形式、线性和二次矩的有效性，以及差分后空间依赖与误差相关如何影响估计、标准误和趋势推断。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；未说明完整矩条件、趋势平滑要求或模拟指标，应用也未提供足以判断因果溢出的识别设计。
原文摘要
This article investigates the estimation and inference of spatial panel data models in which the regression coefficient vector is a trending function. We use time differences to eliminate the individual effects and employ various GMM estimations for regression coefficients with both linear and quadratic moments. Time trend estimator based on these GMM estimations is also proposed. Monte Carlo experiments show that the finite sample performance of the estimators is satisfactory. As an empirical illustration, we investigate the trending pattern of the spillover effect of air pollution among Chinese cities from 2015 to 2021.