GEL estimation and tests of spatial autoregressive models
空间自回归模型的广义经验似然估计与检验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：摘要围绕空间自回归依赖和Moran’s I检验展开，对应网络与空间相互作用的计量方法。
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
空间自回归模型的广义经验似然估计与检验
- 研究问题
- 对于高阶空间自回归模型，如何构造估计与检验，在未知异方差和非正态情形下处理权重估计与部分偏差问题？
- 方法与思路
- 作者利用模型内在的鞅结构构造广义经验似然，绕过初步估计最优权重矩阵，并设计过度识别及参数限制等检验。
- 材料陈述的贡献
- 摘要称，GEL与使用相同矩条件的GMM具有相同渐近分布，能消除或部分消除若干偏差来源，并提供稳健检验。
- 阅读关注点
- 应核对鞅结构和空间权重条件、各偏差项的消除程度，以及Moran’s I、比率和非嵌套检验的稳健性条件。
- 阅读边界
- 仅据所给出版社摘要，不能把部分偏差修正理解为完全无偏，也不能认定所有GEL检验在任意空间依赖下均稳健。
原文摘要
This paper considers the generalized empirical likelihood (GEL) estimation and tests of high order spatial autoregressive (SAR) models by exploring an inherent martingale structure. The GEL estimator has the same asymptotic distribution as the generalized method of moments estimator explored with same moment conditions for estimation, but circumvents a first step estimation of the optimal weighting matrix with a preliminary estimator, and thus can be robust to unknown heteroskedasticity and non-normality. While the GEL removes the asymptotic bias from the preliminary estimator and partially removes the bias due to the correlation between the moment conditions and their Jacobian, the empirical likelihood as a special member of GELs further partially removes the bias from estimating the second moment matrix. We also formulate the GEL overidentification test, Moran’s I test, and GEL ratio tests for parameter restrictions and non-nested hypotheses. While some of the conventional tests might not be robust to non-normality and/or unknown heteroskedasticity, the corresponding GEL tests can be robust.