时变空间权重矩阵面板数据模型稳健LM检验有效性研究

统计研究

时变空间权重矩阵面板数据模型稳健LM检验有效性研究

欧变玲等

出版日期:2015-10-15 发布日期:2015-10-26

Validity of Robust LM Tests in Panel Data Models with Time Varying Spatial Weights Matrices

Ou Bianling et al.

Online:2015-10-15 Published:2015-10-26

摘要/Abstract

摘要： 空间权重矩阵是描述个体间空间关系的重要工具，通常基于个体间的地理距离构造不随时间而改变的空间权重矩阵。然而，当个体间的空间关系源自经济/社会/贸易距离或人口流动性/气候等特征时，空间权重矩阵本质上可能将随时间而改变。由此，本研究提出时变空间权重矩阵面板数据模型的稳健LM检验。大量Monte Carlo模拟结果显示：从检验水平和功效角度来看，基于误设的非时变空间权重矩阵的稳健LM检验存在较大偏差，但是基于时变空间权重矩阵的稳健LM检验能够有效地识别面板数据中的空间关系类型。尤其是，在时间较长和个体较多等情况下，时变空间权重矩阵的稳健LM检验功效更高。

Abstract: As an important tool to represent spatial correlation among observations, time invariant spatial weights matrices are generally constructed using geographic distance between observations. However, when spatial correlation depends on economic/social/trade distance, migration and climate condition, spatial weights matrices will be substantially changed over time. This paper proposes robust LM tests in panel data models with time varying spatial weights matrices. Extensive Monte Carlo simulations indicate that in the view of size and power, robust LM tests with mis-specified time invariant spatial weights matrices cause large bias, and robust LM tests with time varying spatial weights matrices could effectively identify types of spatial correlation. The power of robust LM tests with time varying spatial weights matrices is much higher than that with mis-specified time invariant spatial weights matrices, especially for the large cross-sectional dimension and for the large time dimension.

Key words: Spatial Dependence, Time Varying Spatial Weights Matrices, Robust LM Tests, Panel Data Models, Monte Carlo Simulations

欧变玲等. 时变空间权重矩阵面板数据模型稳健LM检验有效性研究[J]. 统计研究, 2015, 32(10): 98-105.

Ou Bianling et al.. Validity of Robust LM Tests in Panel Data Models with Time Varying Spatial Weights Matrices[J]. Statistical Research, 2015, 32(10): 98-105.

[1]	李自若等. 中国省际贸易流量再估算与贸易演变特征研究[J]. 统计研究, 2020, 37(8): 35-49.
[2]	汪卢俊. 基于LSTAR模型的中国股市泡沫风险识别 [J]. 统计研究, 2018, 35(12): 102-112.
[3]	孟生旺李政宵. 地震死亡人数预测与巨灾保险基金测算[J]. 统计研究, 2018, 35(10): 89-102.
[4]	张志强. 动态面板模型参数估计方法的比较研究[J]. 统计研究, 2017, 34(9): 108-.
[5]	王泽宇等. 整数值时间序列模型单位根检验问题研究[J]. 统计研究, 2016, 33(8): 106-112.
[6]	赵楠. 劳动力流动与产业结构调整的空间效应研究[J]. 统计研究, 2016, 33(2): 68-74.
[7]	周国富等. 产业多样化对京津冀经济发展的影响[J]. 统计研究, 2016, 33(12): 28-36.
[8]	陈建宝乔宁宁. 半参数变系数回归模型的空间相关性检验[J]. 统计研究, 2015, 32(7): 87-92.
[9]	任通先等. 空间面板数据模型Bootstrap LM-Error检验研究[J]. 统计研究, 2015, 32(5): 91-96.
[10]	杨贵军刘帅. 基于Bayesian 随机效应模型的我国人口平均预期寿命分析[J]. 统计研究, 2015, 32(12): 95-100.
[11]	汪卢俊. LSTAR-GARCH模型的单位根检验[J]. 统计研究, 2014, 31(7): 85-91.
[12]	叶小青. 非线性交互效应面板数据模型的估计[J]. 统计研究, 2014, 31(2): 96-103.
[13]	乔坤元. 非等间隔动态面板数据模型：基于半差分的估计方法和应用[J]. 统计研究, 2014, 31(1): 98-106.
[14]	沈小波. 中国农村居民电力需求的影响因素[J]. 统计研究, 2014, 31(1): 84-90.
[15]	周国富吴丹丹. 各省区季度GDP数据质量评估[J]. 统计研究, 2013, 30(3): 10-17.