Pseudo maximum likelihood estimation of spatial autoregressive models with increasing dimension
参数维度增长的空间自回归模型伪极大似然估计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：摘要聚焦空间自回归与维度增长理论，未明确社会网络、干扰或特定宏观金融应用，现有细分缺少直接对应项。
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
参数维度增长的空间自回归模型伪极大似然估计
- 研究问题
- 当高阶空间自回归模型的参数数量随样本增加时，如何开展伪极大似然估计，并建立其大样本统计性质？
- 方法与思路
- 作者为多类空间自回归模型构造伪极大似然估计，涵盖因变量空间滞后、线性或非线性回归项及空间相关扰动。
- 材料陈述的贡献
- 摘要称建立了参数维度增长情形下估计量的一致性和渐近正态性，并通过蒙特卡洛实验考察有限样本表现。
- 阅读关注点
- 应核对参数维度的允许增长速度、空间权重与依赖限制，以及不同模型形式下的识别、方差估计和模拟设计。
- 阅读边界
- 仅据所给出版社摘要，增长速度和空间结构条件均未说明；模拟结果未作具体报告，不能据此判断有限样本优劣。
原文摘要
Pseudo maximum likelihood estimates are developed for higher-order spatial autoregressive models with increasingly many parameters, including models with spatial lags in the dependent variables both with and without a linear or nonlinear regression component, and regression models with spatial autoregressive disturbances. Consistency and asymptotic normality of the estimates are established. Monte Carlo experiments examine finite-sample behaviour.