误差合成空间固定系数模型的多阶段广义最小二乘估计

本文对时变系数的空间面板数据模型进行了研究,所研究的模型利用扰动项中的空间个体成分将不同时期的方程联系起来,同时,自变量系数和空间自回归系数是时变的,但不会随着观测个体的变动而变动。本文利用基于可行的广义最小二乘估计的多阶段方法对模型参数进行了估计,研究了估计量的大样本性质,并利用Monte Carlo方法模拟了其小样本性质。模拟结果表明,估计量的渐近性质随着样本容量的增加而改善。对中国省级地区间财税策略互动行为的实证案例也体现了本文理论模型的应用价值。     

元分析下高技术产业不同创新路径绩效研究

自主研发、引进技术、购买国内技术、更新改造几种创新路径对高技术产业具有十分重要的意义.由于不同计量模型各有优缺点,各模型的研究结论并不相同,而针对同一问题、同一数据根本就没有最佳模型,所以本文首先采用面板混合回归、面板数据模型、动态面板模型、面板联立方程模型、空间面板模型同时进行研究,然后采用元分析对5种研究结果加以整合,得到唯一结论.研究表明,自主研发绩效显著;更新改造是创新的必要补充,绩效良好;引进技术和购买国内技术总体绩效不高;元分析有利于提高研究的稳健性.     

基于Pairwise惩罚方法的面板数据模型结构变点估计

面板数据模型在经济、生物、统计等领域有着广泛的应用。经典的面板数据模型假设解释变量系数不随时间变化。然而在现实中,解释变量系数可能会因多种因素的影响而存在多重未知的结构变点。本文假设交互固定效应面板数据模型中含有多重未知的结构变点。研究发现通过Pairwise惩罚的参数估计方法在目标函数中增加对相邻时间解释变量系数的惩罚项,能够同时进行参数估计和结构变点诊断。蒙特卡洛模拟结果显示,不管是否存在同方差假设,该方法估计的解释变量系数均偏差较小且结构变点诊断错误率低。     

基于AR(1)误差空间随机系数面板数据模型的预测

本文研究了具有空间误差自相关和序列相关误差分量的随机系数面板数据模型预测问题,得到了最优线性无偏预测(BLUP),数值模拟实验结果表明与忽略空间自相关性或序列相关性的预测量相比较,本文所提出的预测量表现更好。     

固定效应变系数空间自回归面板数据模型的空间效应检验

本文研究固定效应变系数空间自回归面板数据模型的空间效应检验问题,利用基于局部线性方法的profile似然估计技术,构造了广义似然比检验统计量,并提出利用一类基于残差的bootstrap方法求取检验p值,最后数值模拟表明所提方法在有限样本下有较好表现.     

带有固定效应且n和T都很大的动态面板模型的诊断检验

研究了动态面板数据模型的诊断检验问题.对于带有固定个体效应且n和T都很大的的动态面板数据模型,通过残差的一阶差分构造了一个人工自回归模型,并基于该自回归模型系数的最小二乘估计构造了一个检验统计量检验模型的充分性.研究表明在一定的假设条件下,该检验渐近服从卡方分布,计算简单方便.模拟实验结果表明该检验表现很好.     

面板数据模型的序列相关性检验——理论研究与实证分析

本文对文献中面板数据模型中一些重要的序列相关性检验方法进行了梳理,并基于动态面板数据模型联合序列相关性检验对外商直接投资与增加就业的影响关系进行了实证研究。     

我国经济增长与产业结构演进关系的研究——基于面板数据模型的实证分析

本文运用面板数据模型,对我国各省1996-2005年人均GDP及三次产业产值比重的关系分别进行了模型拟合,结论认为:我国经济增长对产业结构变化的影响显著,而后者对前者的影响在统计上并不显著,我国经济增长模式是需求导向型的。其次,就各次产业与人均GDP的关系看,第一产业与人均GDP呈现负相关关系,而第二、三产业与人均GDP呈现正相关关系。     

基于Gibbs抽样算法的贝叶斯动态面板数据模型分析

针对现有动态面板数据分析中存在偶发参数和没有考虑模型参数的不确定性风险问题,提出了基于Gibbs抽样算法的贝叶斯随机系数动态面板数据模型.假设初始值服从平稳分布,自回归系数服从Logit正态分布的条件下,设计了Markov链Monte Carlo数值计算程序,得到了模型参数的贝叶斯估计值.实证研究结果表明:基于Gibb...     

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。