固定效应时异系数广义空间自回归模型的估计与模拟

空间面板数据模型常呈现时异特征,现实经济现象中的空间关联多带有时异特性。基于此,本文构建固定效应时异系数广义空间自回归模型,首先采用拟极大似然(QML)方法估计模型并证明参数估计量的渐近性,其次依据贝叶斯(Bayes)公式推出参数后验分布并设计MCMC抽样,最后基于数值模拟比较两种方法在有限样本下的模拟情况,结合具体实例对比分析两种方法的实际估计效果。结果发现:一方面,两种方法的参数模拟均方误差都表现出随样本个体数目的增大而减小,表明增加观测个体数目能显著降低参数模拟偏差。另一方面,Bayes估计的均方误差都小于QML估计,说明Bayes估计比QML估计更可靠。

部分线性变系数空间自回归模型的惩罚轮廓拟最大似然方法

主要研究了部分线性变系数空间自回归模型的变量选择问题。结合拟最大似然方法、局部线性光滑方法以及一类非凸罚函数,提出了一个变量选择方法用于同时选择该模型的参数部分中重要解释变量和估计相应的非零参数。大量模拟研究表明,所提出的变量选择方法具有满意的有限样本性质,并且关于空间权矩阵的稀疏度、空间相关强度、系数函数的复杂度以及误差分布的非正态性非常稳健。特别地,当样本容量较大且罚函数选择合适时,即使解释变量的相关性较强或者模型中含有较多不重要解释变量,所提出的变量选择方法仍然具有比较满意的有限样本性质。通过分析波士顿房屋价格数据考察了所提出的变量选择方法的实际应用效果。

半参数空间变系数回归模型的两步估计方法及其数值模拟

文章提出了关于半参数空间变系数回归模型的两步估计方法,该方法可得到模型中常值系数估计量的精确解析表达式,广泛的数值模拟表明所提出的估计方法对估计常值系数具有满意的精度和稳定性。

Panel数据模型中回归系数的广义p值检验

利用广义p值和广义置信区域的概念对含有三个随机效应的Panel数据模型中回归系数的假设检验问题建立了精确检验,构造了回归系数的几个广义置信区域;讨论了本文所构造的检验和置信区域在尺度变换下的不变性;对这几种检验的功效和置信区域的覆盖率给出了数值模拟结果。

随机效应变系数空间自回归面板模型的估计

具有良好可读性和稳健性的变系数模型在各学科领域应用广泛。本文构建了一种新的随机效应变系数空间自回归面板模型,运用截面极大似然估计方法,导出了模型的估计量,证明其具备一致性和渐近正态性,蒙特卡洛模拟研究显示估计量的小样本表现效果良好。

时变系数广义空间滞后模型的贝叶斯估计

传统空间计量模型采用单一不变系数表征单元间的空间关系,但随着样本中个体和时间的增大,不变系数模型难以准确反映空间关系的时变性,可能导致参数估计有偏。基于此,本文构建时变系数广义空间滞后模型,利用贝叶斯方法和MCMC抽样估计模型参数,并与不变系数模型作对比,最后应用于具体实例。数值模拟结果表明,时变系数模型参数估计的平均偏差和均方误根都小于不变系数模型,且均方误根随个体或时间的增大而减小。实例应用不仅重新测度了产业集聚对产业结构升级影响的空间时变效应,还再次证实了模型和方法的实用性。

增长曲线模型中回归系数的广义根方估计

本文对增长曲线模型中的回归系数B提出了一种新的估计形式———广义根方估计B^(K),其中K=diag(k1,k2,…,kp),并证明了通过广义根方偏参数ki(i=1,2,…,p)的适当选取可使得该估计在均方误差和均方误差矩阵的意义下优于已有的LS估计和根方估计;及广义根方估计是可容许估计.本文还给出了选取广义根方偏参数的两种方法、算法及一个应用实例.

半参数变系数回归模型的空间相关性检验

本文对半参数变系数回归模型,构造了新的空间相关性检验统计量,利用三阶矩χ2逼近方法导出了其检验p-值的近似计算公式,蒙特卡罗模拟结果表明,该统计量在检测空间相关性方面具有较高的准确性和可靠性。同时考察了误差项服从不同分布时的检验功效,体现出该检验方法的稳健性。进一步,我们还给出了检验统计量的Bootstrap方法以及检验水平的模拟效果。

中国人口流动重力模型回归系数的定量估算及其空间异质性研究

基于中国337个地级及以上行政区划间人口省际流动数据,对人口流动重力模型代理变量的回归系数进行实证推算。结论包括：（1）在地级行政单元研究精度下,中国人口流动重力模型代理变量的回归系数呈现出明显的空间异质性,及难以预期的作用效应,因此研究精度的提升将加剧空间交互模型构建的复杂程度,同时假定重力模型回归系数的空间均质性将导致模拟结果空间差异趋势的收敛;（2）中国人口省际流动距离衰减系数为1.975,337个地级及以上行政区划距离衰减系数值域为0.434-4.438。研究所展示的各省该系数值域及直辖市、省会城市结果为今后模型应用提供了基础参考数据;（3）地级行政单元下的距离衰减系数存在空间异质性与梯度特征,高值区主要分布在东北沿疆、新疆和珠三角地区,低值区主要位于中国中部和西南地区。结合以往研究成果比较,中国人口省际流动的空间衰减特征与铁路客运网络的可达性格局存在一定程度的一致性。

时变系数空间自回归面板数据模型的极大似然估计

本文对扰动项存在跨时期的异方差、但不存在序列相关的时变系数空间自回归模型提出了极大似然的估计方法,并证明了该估计量的一致性,同时,证明了该估计量渐进服从正态分布,由此说明该估计量具有优良的大样本性质。同时,我们还对本文所提出估计量的小样本性质进行了数值模拟。本文研究表明,估计量虽然在N较小时偏差较大,但是随着N的不断增加,估计量偏差减小,体现了比较优良的渐进性质。同时,估计量的偏差会随着时期数的增加而变大,这说明本文所提出的估计方法适用于个体数较多、时期数较少的短面板数据。

增长曲线模型中回归系数的广义岭型主成分估计

针对增长曲线模型中设计阵呈病态时,提出了一种有偏估计——广义岭型主成分估计:证明了通过选择适当的参数,使得该估计在均方误差(MSE)意义下改善了最小二乘估计和主成分估计,并且进一步得到了在MSE意义下该估计是可容许估计,最后得到该估计在广义岭型降维估计类中方差和最小。

一阶广义随机系数自回归模型参数的最小渐近方差估计

研究广义随机系数自回归模型中参数的估计问题,给出了未知参数的一个估计类,证明了该估计类中估计的相合性和渐近正态性,并且获得了该估计类中的最小渐近方差估计,并通过数值模拟比较了估计类中各种估计方法的优劣.

变系数空间自回归模型的Bootstrap检验

变系数空间自回归模型是变系数模型在空间数据分析方面的推广,因其众多的应用背景而得到广泛的重视和研究,确认模型中系数是否真正随变量的变化而变化是应用变系数空间自回归模型需解决的首要问题.本文基于Bootstrap检验方法研究了变系数空间自回归模型中的常系数项的辨别问题,为建立半变系数空间自回归模型提供依据.最后,通过模拟试验验证Bootstrap检验方法在有限样本容量下的有效性.数值模拟分别考察了误差项服从不同分布、空间滞后相关系数变化以及解释变量共线性程度不同时,Bootstrap方法逼近其零分布的准确性以及检验的功效.模拟结果表明本文所提出的Bootstrap方法能精确地逼近检验统计量的零分布且检验具有满意的功效.

半相依回归模型中回归系数的广义p值检验

研究半相依回归模型中回归系数的精确检验问题.针对含有2个相依线性方程的回归系统中回归系数的假设检验问题,利用广义p值的方法建立了精确的检验.对检验的功效进行了模拟,模拟结果表明,本研究的检验方法能有效控制第一类错误出现的概率,具有较好的检验效果.

半参数空间变系数回归模型的两步估计方法

文章首先介绍了部分回归模型、空间变系数模型及估计方法等相关理论知识。通过对以前所研究的半参数模型,将单个自变量非线性函数与空间变系数模型进行有效组合,提出了半参数空间变系数回归模型两步估计方法,并从试验设计、模拟试验结果分析两个方面入手,对该估计方法运用效果进行模拟,结果具有较高的可靠性和稳定性,实现了对常值系数的有效计算和估计,为相关人员提供有效的借鉴和参考。

多元线性模型回归系数的广义根方估计

将根方估计作一拓广，提出了回归系数的广义根方估计，证明了广义根方估计能更有效地改善最小二乘估计，并给出了广义根方估计的显示解和确定偏参数的方法。

混合回归模型与广义相关系数

研究了用普通最小二乘估计代替混合回归模型的混合估计对估计精度及一组数据和多组数据所产生的影响大小;建立了这些影响统计量和广义相关系数的联系。

空间部分线性变系数模型的分位回归估计

文章针对空间数据统计与回归建模,提出空间部分线性变系数模型,并提出了一种基于二元惩罚样条的非参数逼近分位回归估计方法。该方法不仅可以有效地处理变系数部分复杂边界、不规则形状的空间区域划分和非参数函数的逼近,而且整体上展现出不同分位水平下的解释能力。同时,针对模型实现问题,还提出了基于交替方向乘子法(ADMM)的参数估计算法,数值模拟说明该方法的估计结果更加稳健、有效。

可变系数空间自回归模型的参数估计

传统的空间面板数据模型利用截距项来体现空间异质性,往往无法完全体现出空间异质性,文章构建一种系数随空间个体变动而变动的空间自回归模型,利用系数来考察空间异质性,并可以考察经济关系以及空间关系的个体特征。在一定的模型设定条件下,文章给出了该模型的完全信息极大似然估计,并推导了该估计量的渐进分布。

随机效应广义空间滞后半参数变系数面板模型的估计

本文通过构建同时包含因变量和误差项空间滞后的随机效应半参数变系数面板模型,拓展了现有模型的灵活性和适应性;采用截面极大似然估计方法得出了参数和非参数的估计。理论证明发现:在一定的正则条件下,所有估计量具有一致性和渐近正态性。数值模拟显示:估计量具有良好的小样本性质,估计精度随着样本容量的增加而增加;空间权重矩阵的选择对估计量的表现没有产生显著差异,但是在Case权重矩阵下,当样本量相同时,空间相关系数的估计偏差随着空间权重结构复杂度的增加而扩大。