Functional-coefficient spatial autoregressive models with nonparametric spatial weights
具有非参数空间权重的函数系数空间自回归模型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：摘要讨论一般空间自回归和非参数权重估计，未明确网络形成、面板结构或宏观金融对象，所列分类证据不足。
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
具有非参数空间权重的函数系数空间自回归模型
- 研究问题
- 当空间权重函数未知且空间协变量可能内生时，如何联合估计函数系数与权重，并降低估计权重对系数推断的影响？
- 方法与思路
- 作者在非参数GMM框架下，以局部线性回归估计函数系数、筛法估计未知空间权重，并构造函数系数的两步估计量。
- 材料陈述的贡献
- 摘要称建立一致性，并在一定条件下使两步系数估计达到与空间权重已知时相同的极限分布，以模拟和真实数据说明。
- 阅读关注点
- 应核对未知权重与函数系数的分别识别、内生空间协变量的矩条件，以及两步估计达到所称预言效率的具体限制。
- 阅读边界
- 仅据所给出版社摘要，无法判断空间权重的规范化、数据依赖结构或效率条件；真实数据的对象及数值结果未说明。
原文摘要
We apply local linear regression and sieve estimation technique to estimate functional coefficients and an unknown spatial weighting function, respectively, via a nonparametric GMM estimation method, where we allow both exogenous and endogenous spatial covariates. A consistency result is derived to support the method. Moreover, a two-step estimator is constructed for the functional coefficients, and under certain conditions, we show that this estimator can be oracle efficient in the sense that its limiting distribution is the same regardless of whether or not the spatial weights are known. Both simulated and real data examples are used to illustrate our theory.