空间滞后模型中Moran's Ⅰ统计量的Bootstrap检验

针对空间滞后模型的估计残差,采用Wild Bootstrap方法进行空间相关性检验;进而,基于Moran's Ⅰ统计量的经验分布,从水平扭曲和功效角度比较Bootstrap检验和渐近检验的有效性.Monte Carlo实验结果显示,在经典正态假设条件下,Bootstrap检验已然同等或优于渐近检验;在更为实际的异方差、非正态假设条件下,渐近检验显著偏离,而Bootstrap检验的水平扭曲更小、功效更高.当模型不满足经典的分布假设条件,尤其是在小样本和空间衔接密度较高情况下,与渐近检验相比,Bootstrap检验更为有效.     

面板数据空间误差分量模型的空间相关性检验

将截面误差分量模型(spatial error components, SEC)扩展至面板数据, 推导其联合检验、边际检验及条件检验, 并通过Monte Carlo模拟实验证明: 当随机效应存在时, 条件检验更为有效; 当随机效应不存在时, 边际检验更为有效; 空间权重矩阵的选取与随机效应是否存在相关, 但未标准化的空间权重矩阵更适合检验空间相关性; 此外, 更大的N或T使得检验更为有效. 研究同时发现, 当真实数据生成过程为面板数据SEC模型时, 传统空间经济计量模型中的Moran I、LM-Error及LM-Lag检验均失效.     

空间面板模型协整检验的Bootstrap改进算法及功效分析

忽略面板模型横截面之间的空间相关性易导致其协整检验误拒率偏高。本研究采用模型变量的空间矩阵变换和回归残差Sieve Bootstrap技术相结合,既能使数据结构不受重抽样影响,又可发挥自助抽样(Bootstrap)技术优势,由此发展出基于Sieve Bootstrap技术的空间面板计量模型协整P检验,可在建模过程中充分考察空间效应的同时防止出现虚假回归。模拟及实证结果均表明：当面板数据模型出现内生回归元或横截面之间存在空间相依关系时,该检验不仅明显降低误拒率,还能保持高检验势,同时结果更具稳健性。     

空间滞后模型的标准化稳健检验及其功效对比分析

在误差项分布未知、模型设定偏误以及不同形式空间布局的复杂条件下,本文提出检验空间滞后模型的标准化稳健LM检验方法,并采用Bootstrap法和Monte Carlo法对统计量的渐进性进行分析. 结果表明：采用Bootstrap法和Monte Carlo法的检验功效均优于现有LM检验方法;对于小样本,结合Bootstrap法与本文提出的统计量进行模型设定的检验更可靠;在空间布局为Group规则时,采用本文提出的统计量进行模型设定的检验效果更好.