EFFICIENT GMM ESTIMATION OF HIGH ORDER SPATIAL AUTOREGRESSIVE MODELS WITH AUTOREGRESSIVE DISTURBANCES
具有空间自回归扰动的高阶空间自回归模型的有效 GMM 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：摘要明确属于空间计量，但未说明网络关系或干扰机制，所列细分方向中缺少直接对应项。
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
具有空间自回归扰动的高阶空间自回归模型的有效 GMM 估计
- 研究问题
- 如何识别并有效估计同时包含高阶空间自回归项和空间自回归扰动的混合回归模型，同时降低传统极大似然方法的计算负担？
- 方法与思路
- 作者扩展既有空间模型的 GMM 框架，考察模型识别，并在线性与二次扰动矩条件构成的估计量类别内推导最优 GMM 估计量。
- 材料陈述的贡献
- 摘要称，估计量具有一致性和渐近正态性；最优 GMM 在正态情形下与 ML 渐近同效，并在所述比较范围内优于 QML 和 G2SLS。
- 阅读关注点
- 应核对空间权重矩阵和模型阶数的限制、识别条件、最优权重构造，以及各项效率比较所依赖的分布假设和渐近框架。
- 阅读边界
- 仅据所给 Crossref 摘要，不能确定效率结论的完整适用条件或计算优势的实际幅度，也不能推断其他版本的结论变化。
原文摘要
In this paper, we extend the GMM framework for the estimation of the mixed-regressive spatial autoregressive model by Lee(2007a) to estimate a high order mixed-regressive spatial autoregressive model with spatial autoregressive disturbances. Identification of such a general model is considered. The GMM approach has computational advantage over the conventional ML method. The proposed GMM estimators are shown to be consistent and asymptotically normal. The best GMM estimator is derived, within the class of GMM estimators based on linear and quadratic moment conditions of the disturbances. The best GMM estimator is asymptotically as efficient as the ML estimator under normality, more efficient than the QML estimator otherwise, and is efficient relative to the G2SLS estimator.