• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Spatial economic analysis >Fixed Effects and Random Effects Estimation of Higher-order Spatial Autoregressive Models with Spatial Autoregressive and Heteroscedastic Disturbances
【24h】

Fixed Effects and Random Effects Estimation of Higher-order Spatial Autoregressive Models with Spatial Autoregressive and Heteroscedastic Disturbances

机译：具有空间自回归和异方差扰动的高阶空间自回归模型的固定效应和随机效应估计

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

La présente communication développe un cadre unifié pour une estimation des effets fixes et aléatoires de modèles de données de panel autorégressives spatiales d'ordre supérieur avec des perturbations autorégressives spatiales et une hétéroscédasticité de forme inconnue dans la composante d'erreur idiosyncrasique. Nous dérivons les conditions de moment et une matrice de pondération sans hypothèses distributionnelles pour une procédure d'estimation des moments généralisés des paramètres autorégressifs spatiaux du processus de perturbation, et nous définissons un estimateur des moindres carrés spatial généralisés en deux temps des effets à la fois aléatoires et fixes. Nous démontrons la cohérence entre les estimateurs proposés, et dérivons leur distribution asymptotique conjointe, résistante à l'hétéroscédasticité de forme inconnue dans la composante d'erreur idiosyncratique. Enfin, nous dérivons un solide test de Hausman du modèle spatial d'effets aléatoires en fonction du modèle spatial d'effets fixes.%This paper develops a unified framework for fixed effects (FE) and random effects (RE) estimation of higher-order spatial autoregressive panel data models with spatial autoregressive disturbances and heteroscedasticity of unknown form in the idiosyncratic error component. We derive the moment conditions and optimal weighting matrix without distributional assumptions for a generalized moments (GM) estimation procedure of the spatial autoregressive parameters of the disturbance process and define both an RE and an FE spatial generalized two-stage least squares estimator for the regression parameters of the model. We prove consistency of the proposed estimators and derive their joint asymptotic distribution, which is robust to heteroscedasticity of unknown form in the idiosyncratic error component. Finally, we derive a robust Hausman test of the spatial random against the spatial FE model.
机译：本文建立了一个统一的框架，用于估计具有特异误差分量的空间自回归干扰和未知形式的异方差性的高阶空间自回归面板数据模型的固定和随机效应。我们导出了扰动过程的空间自回归参数的广义矩的估计过程的矩条件和没有分布假设的加权矩阵，并且我们同时定义了两次效应的空间广义最小二乘的估计器随机的和固定的。我们证明了所提出的估计量之间的一致性，并推导了它们的渐近联合分布，抵抗特异误差分量中未知形式的异方差。最后，我们得出了随机效应的空间模型作为固定效应的空间模型的函数的坚实的Hausman检验。％本文为固定效应（FE）和随机效应（RE）的高阶估计开发了一个统一的框架具有空间自回归干扰和特异误差分量中未知形式的异方差的空间自回归面板数据模型。我们导出了用于定义扰动过程的空间自回归参数的广义矩（GM）估计程序的矩条件和最优加权矩阵，而没有分配假设，并为回归参数定义了RE和FE空间广义两阶段最小二乘估计器模型的我们证明了所提出的估计量的一致性，并推导了它们的联合渐近分布，这对于特异误差分量中未知形式的异方差具有鲁棒性。最后，我们针对空间有限元模型推导了针对空间随机性的鲁棒Hausman检验。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号