Matrix-valued spatial autoregressions with dynamic heterogeneous spillovers
具有动态异质溢出的矩阵值空间自回归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：摘要以矩阵值时间序列建模、平稳性与极大似然渐近理论为核心，并涉及贸易网络中的空间溢出，故对应时间序列与网络干扰两个方向。
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…
关注这篇论文的作者
具有动态异质溢出的矩阵值空间自回归
- 研究问题
- 摘要称，如何在统一框架中同时处理矩阵值时间序列、异质溢出效应、异常值稳健性与时变参数，并分别刻画矩阵行、列两个维度上的动态空间溢出。
- 方法与思路
- 作者提出时变参数的矩阵值空间自回归模型，允许行与列维度各有独立的动态空间溢出；可通过矩阵 Student's t 分布引入稳健性，并称仍可用标准极大似然方法直接估计。
- 材料陈述的贡献
- 摘要称该模型将矩阵值时间序列、异质溢出、异常值稳健与时变参数整合于一体，建立了平稳性与可逆性，以及极大似然估计量的一致性与渐近正态性；模拟显示即使模型设定有误，双向空间溢出动态仍可被恢复。
- 阅读关注点
- 应核对模型的具体设定与识别条件、平稳性和可逆性的成立前提、渐近理论所需的正则假设，以及 12×12 贸易网络应用中比较的替代设定与拟合优度衡量方式。
- 阅读边界
- 仅凭摘要无法判断估计与推断在有限样本下的表现、稳健性来源的具体机制、应用数据的构造细节，也不能据此认定该模型优于其他设定；摘要未说明模拟设计与比较基准的细节。
原文摘要
We introduce a new time-varying parameter spatial matrix autoregressive model that integrates matrix-valued time series, heterogeneous spillover effects, outlier robustness, and time-varying parameters in one unified framework. The model allows for separate dynamic spatial spillover effects across both the row and column dimensions of the matrix-valued observations. Robustness can be introduced via a matrix Student’s t distribution. The model can still be estimated straightforwardly by standard maximum likelihood methods, and we establish stationarity and invertibility of the model, as well as consistency and asymptotic normality of its maximum likelihood estimator. Simulations reveal that the two-way spatial spillover dynamics can be successfully recovered even if the model is misspecified. Using a 12 × 12 trade network application, we show that the time-varying, robust matrix features of the new model better fit the empirical data than alternative specifications.