ESTIMATION OF SPATIAL AUTOREGRESSIONS WITH STOCHASTIC WEIGHT MATRICES
随机权重矩阵下空间自回归模型的估计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：摘要通过空间权重矩阵刻画单位间关联，空间自回归最直接对应网络与关联依赖方法方向。
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
随机权重矩阵下空间自回归模型的估计
- 研究问题
- 在空间权重矩阵随机但外生、误差具有一般空间线性过程结构时，哪些条件保证高阶空间自回归模型常用估计量的有效性？
- 方法与思路
- 作者允许多类误差结构及潜在长记忆，为工具变量、普通最小二乘和伪极大似然推导条件，并考察权重归一化与结构及模拟表现。
- 材料陈述的贡献
- 摘要称，作者给出三类估计量一致性与渐近正态性的充分条件，并分析由随机经济变量构造空间权重时的理论要求和模拟行为。
- 阅读关注点
- 应核对随机权重外生性的定义、空间依赖与长记忆限制、各估计方法的不同条件，以及权重归一化如何改变理论适用性。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断权重与误差可允许的关系或模拟结果；随机权重的结论不能直接推广到内生空间权重情形。
原文摘要
We examine a higher-order spatial autoregressive model with stochastic, but exogenous, spatial weight matrices. Allowing a general spatial linear process form for the disturbances that permits many common types of error specifications as well as potential ‘long memory’, we provide sufficient conditions for consistency and asymptotic normality of instrumental variables, ordinary least squares, and pseudo maximum likelihood estimates. The implications of popular weight matrix normalizations and structures for our theoretical conditions are discussed. A set of Monte Carlo simulations examines the behaviour of the estimates in a variety of situations. Our results are especially pertinent in situations where spatial weights are functions of stochastic economic variables, and this type of setting is also studied in our simulations.