Semiparametric GMM estimation of spatial autoregressive models
空间自回归模型的半参数 GMM 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：摘要研究空间自回归理论，未明确网络干扰或其他所列领域，空间依赖不足以直接归为网络研究。
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
空间自回归模型的半参数 GMM 估计
- 研究问题
- 当半参数空间自回归模型的误差同时允许异方差与空间依赖时，如何估计参数和非参数成分，并处理误差自身的空间自回归？
- 方法与思路
- 作者在弱矩条件下构造半参数 GMM，推导两类成分的极限分布与一致协方差估计，并扩展到误差也服从空间自回归的情形。
- 材料陈述的贡献
- 摘要称，方法允许误差异方差及空间依赖，建立参数与非参数成分的渐近理论，并给出两个空间参数的联合分布和模拟评估。
- 阅读关注点
- 应核对弱矩条件、空间权重与工具变量限制、两个空间参数的区分，以及摘要所称常规 n 渐近性质的准确速度和归一化。
- 阅读边界
- 仅据所给出版社摘要，无法判断具体矩条件、识别要求或相对效率；模拟表现良好并未给出数值，不能据此断言普遍优于其他方法。
原文摘要
We propose semiparametric GMM estimation of semiparametric spatial autoregressive (SAR) models under weak moment conditions. In comparison with the quasi-maximum-likelihood-based semiparametric estimator of Su and Jin (2010), we allow for both heteroscedasticity and spatial dependence in the error terms. We derive the limiting distributions of our estimators for both the parametric and nonparametric components in the model and demonstrate the estimator of the parametric component has the usual n-asymptotics. When the error term also follows an SAR process, we propose an estimator for the parameter in the SAR error process and derive the joint asymptotic distribution for both spatial parameters. Consistent estimates for the asymptotic variance-covariance matrices of both the parametric and nonparametric components are provided. Monte Carlo simulations indicate that our estimators perform well in finite samples.