A Bayesian approach for estimation of weight matrices in spatial autoregressive models
空间自回归模型权重矩阵估计的贝叶斯方法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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要以空间单位之间的二元连接及其稀疏权重矩阵估计为核心，最直接对应网络关系建模。
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
空间自回归模型权重矩阵估计的贝叶斯方法
- 研究问题
- 在时间期数相对空间单位数较少时，如何估计空间自回归模型的未知权重矩阵，并缓解参数过多造成的估计困难？
- 方法与思路
- 作者将权重矩阵限制为行标准化前的二元矩阵，使用鼓励稀疏性的层级先验开展贝叶斯估计，并进行模拟和疫情应用。
- 材料陈述的贡献
- 摘要称稀疏层级先验在未知参数相对观测较多时表现良好，并用全球新冠疫情早期数据展示权重矩阵估计的用途。
- 阅读关注点
- 应核对二元连接和行标准化的解释、权重与空间自回归参数的联合识别、先验敏感性，以及后验计算与不确定性。
- 阅读边界
- 这是预印本，不能据此确认同行评审或期刊接收；摘要未给出识别条件或模拟数值，结论不能直接推广到任意连续权重矩阵。
原文摘要
We develop a Bayesian approach to estimate weight matrices in spatial autoregressive (or spatial lag) models. Datasets in regional economic literature are typically characterized by a limited number of time periods T relative to spatial units N. When the spatial weight matrix is subject to estimation severe problems of over-parametrization are likely. To make estimation feasible, our approach focusses on spatial weight matrices which are binary prior to row-standardization. We discuss the use of hierarchical priors which impose sparsity in the spatial weight matrix. Monte Carlo simulations show that these priors perform very well where the number of unknown parameters is large relative to the observations. The virtues of our approach are demonstrated using global data from the early phase of the COVID-19 pandemic.