Sieve maximum likelihood estimation of the spatial autoregressive Tobit model
空间自回归 Tobit 模型的筛最大似然估计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：摘要研究空间删失回归的通用估计，Tobit 与空间依赖不足以直接归入所给离散选择或网络方向。
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
空间自回归 Tobit 模型的筛最大似然估计
- 研究问题
- 如何在空间自回归 Tobit 模型中放松正态扰动假设，在扰动分布未知时估计参数并建立一致性与渐近分布？
- 方法与思路
- 作者对未知分布的独立同分布扰动采用筛最大似然，建立空间近历依赖及指数不等式，再推导估计量的渐近性质。
- 材料陈述的贡献
- 摘要称，论文将该模型的正态似然估计扩展到未知扰动分布，提供空间近历依赖指数不等式、一致性和参数渐近分布。
- 阅读关注点
- 应核对筛空间与维度选择、Tobit 删失和空间依赖的处理，以及函数中心极限定理与投影步骤所需的条件。
- 阅读边界
- 仅据所给出版社摘要，不能判断分布放松后的全部限制；未知分布仍伴随独立同分布假设，且摘要未报告有限样本结果。
原文摘要
This paper extends the ML estimation of a spatial autoregressive Tobit model under normal disturbances in Xu and Lee (2015b, Journal of Econometrics) to distribution-free estimation. We examine the sieve MLE of the model, where the disturbances are i.i.d.with an unknown distribution. We show that the spatial autoregressive process with Tobit censoring and related variables are spatial near-epoch dependent (NED). A related contribution is that we develop some exponential inequalities for spatial NED random fields. With these inequalities, we establish the consistency of the estimator. Asymptotic distributions of structural parameters of the model are derived from a functional central limit theorem and projection.