LARGE SAMPLE PROPERTIES OF BAYESIAN ESTIMATION OF SPATIAL ECONOMETRIC MODELS
空间计量模型贝叶斯估计的大样本性质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：摘要研究空间计量模型的一般贝叶斯渐近性质，未明确涉及所列网络干扰或离散选择研究方向。
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
空间计量模型贝叶斯估计的大样本性质
- 研究问题
- 在经典统计框架下，空间计量模型的后验密度与贝叶斯估计量具有什么大样本性质，这些近似在较小样本中表现如何？
- 方法与思路
- 作者重点分析带空间自回归扰动的高阶空间自回归模型，并以空间自回归 Tobit 模型考察非线性情形，通过模拟评估理论近似。
- 材料陈述的贡献
- 摘要称模拟中小或中等样本的参数后验已可由正态分布较好近似，贝叶斯估计表现符合经典大样本理论的预测。
- 阅读关注点
- 应核对空间权重矩阵与样本扩展方式、先验和参数空间限制，以及线性模型与 Tobit 模型后验渐近结论的差异。
- 阅读边界
- 摘要未提供完整渐近定理、先验设定或模拟设计，不能推出任意空间模型后验均近似正态；这里只解读所给 Crossref 摘要。
原文摘要
This paper studies asymptotic properties of a posterior probability density and Bayesian estimators of spatial econometric models in the classical statistical framework. We focus on the high-order spatial autoregressive model with spatial autoregressive disturbance terms, due to a computational advantage of Bayesian estimation. We also study the asymptotic properties of Bayesian estimation of the spatial autoregressive Tobit model, as an example of nonlinear spatial models. Simulation studies show that even when the sample size is small or moderate, the posterior distribution of parameters is well approximated by a normal distribution, and Bayesian estimators have satisfactory performance, as classical large sample theory predicts.