A Review of Cross-Sectional Matrix Exponential Spatial Models
横截面矩阵指数空间模型综述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：摘要聚焦横截面空间计量模型，未明确对应所列面板、因果识别或网络干扰方向。
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…
横截面矩阵指数空间模型综述
- 研究问题
- 横截面矩阵指数空间模型有哪些估计、推断和模型选择方法，如何解释回归变量的边际效应，并处理误差异方差？
- 方法与思路
- 作者综述既有方法，讨论边际效应汇总与矩阵向量乘积计算，另提出异方差下的 M 估计方法，并以 Monte Carlo 比较估计量。
- 材料陈述的贡献
- 除综述外，摘要称新 M 估计量具有一致性和渐近正态性，并给出部分新的模型选择结果；这些结论的具体条件未列出。
- 阅读关注点
- 应核对矩阵指数空间模型的设定和边际效应解释、异方差下 M 估计的正则条件，以及模型选择新结果与既有方法的区别。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核验；摘要未提供理论条件、模拟数值或优势适用范围，不能确认所有场景均受益。
原文摘要
The matrix exponential spatial models exhibit similarities to the conventional spatial autoregressive model in spatial econometrics but offer analytical, computational, and interpretive advantages. This paper provides a comprehensive review of the literature on the estimation, inference, and model selection approaches for the cross-sectional matrix exponential spatial models. We discuss summary measures for the marginal effects of regressors and detail the matrix-vector product method for efficient estimation. Our aim is not only to summarize the main findings from the spatial econometric literature but also to make them more accessible to applied researchers. Additionally, we contribute to the literature by introducing some new results. We propose an M-estimation approach for models with heteroskedastic error terms and demonstrate that the resulting M-estimator is consistent and has an asymptotic normal distribution. We also consider some new results for model selection exercises. In a Monte Carlo study, we examine the finite sample properties of various estimators from the literature alongside the M-estimator.