论文部分内容阅读
空间相关性和空间异质性是空间数据的两大特征，在空间经济关系的建模中应加以考虑。在目前的研究中，空间计量经济学学者更多地关注空间相关性的研究，而对空间异质性的关注相当有限;而且往往将它们割裂成两个问题分别进行研究。然而，越来越多的实证研究发现，空间异质性是个重要的问题，直接运用通常的线性空间自回归模型可能导致模型设定偏差。因此，迫切需要运用更复杂的计量工具来同时处理空间相关性和空间异质性。例如，在区域经济增长建模中，采用通常的线性增长模型（即空间同质）受到不少学者的质疑，因为这有可能忽视了增长行为中潜在的非线性特征和/或者参数异质性问题;同时，区域间的技术依赖也意味着空间相关性的存在。Sun et al.(2014)提出了一类半参数空间动态模型(Semiparametric Spatial Dynamic Model)，它将空间自回归模型和地理加权回归模型相结合。新模型具备了两者的优点，不仅可以刻画空间交互作用，而且能刻画协变量影响的位置效应，即协变量在空间上的异质性效应。为便于理解，该半参数模型可称为变系数空间自回归模型。本文研究了该模型的异方差稳健估计—半参数GMM估计，以及模型选择方法—无关变量/常系数变量/变系数变量的识别方法。因为很多模型可以视为此模型的特例，例如当所有回归系数都为非零常数时，该模型退化为常见的线性空间自回归模型，那么在实际应用中到底选用哪个模型，需要提供一种变量类型的识别方法进行模型选择。最后应用该模型和所提出的方法研究了中国城市房价的空间相关性和空间异质性特征。 首先，对变系数空间自回归模型，Sun et al.(2014)的Profile似然估计方法在异方差时的估计结果是不一致的，而空间数据的异方差情况又很常见，为此，本文第二章提出了半参数GMM估计。该估计方法不仅是异方差稳健的，而且具有显式表达式，可明确地由观测数据给出估计。具体地，第一步，假定空间自回归系数是已知的，利用局部线性估计方法估计函数系数，得到其关于空间自回归系数的函数表达式，即将非参分量集中到待估参数上;第二步，在给定的矩条件下，运用GMM方法估计出空间自回归系数，然后将其代入第一步得到的表达式中，得出非参部分的估计。文中研究了参数估计量和非参数估计量的大样本性质。Monte Carlo模拟研究进一步验证了所提估计方法在有限样本时的优良表现。 本文第三章研究了该模型的模型选择问题，提出了一种统一的变量选择方法，即同时完成两个目标:变量选择（排除无关变量）和在所选出的重要变量中识别常系数变量/变系数变量。在实际应用中，变系数空间自回归模型的回归系数可能是非零常数，也可能是零，因此，变量分类是一个亟待解决的重要问题。假定所有变量都是显著的，Sun et al.(2014)基于传统的最优变量子集方法提出了常系数变量/变系数变量的识别方法。然而，该方法遗传了传统方法的缺陷:计算量庞大且结果缺乏稳定性。此外，Sun et al.(2014)的方法只适用于同方差情形。借鉴组LASSO方法(Yuan and Lin，2006)和自适应LASSO方法(Zou，2006)的思想，本章提出了一类统一的模型选择方法，不仅可以回避传统方法的不足之处，而且能够同时完成模型选择和模型估计。该方法在惩罚最小二乘函数上加入两类惩罚项，分别用于无关变量/重要变量的识别和常系数变量/变系数变量的识别。在求解惩罚目标函数时，文中采用了局部二次逼近方法得到待估函数系数的迭代公式，并就调节参数的选取提出了BIC型信息准则。Monte Carlo模拟的结果显示出所提方法在有限样本时表现良好。进一步选用经典的波士顿房价数据集给出了实例应用。 最后应用上述模型和方法研究了中国城市房价的空间相关性和空间异质性特征。研究发现:(1)中国城市房价具有显著的正向空间相关性，而且选出的重要解释变量的回归系数符号与经济理论的预期结果是一致的;(2)收入和住房销售因素具有异质性效应，城镇居民人均可支配收入的提高对房价的抬升作用随着市辖区人口密度的增加而增强，城市建成区单位面积上的住房销售面积的增加对房价的平抑作用同样随着人口密度的增加而增强;(3)货币政策、人们对房价的预期、人口增长、人均二氧化硫排放量等因素对房价有同质性的直接影响，城市建成区绿化覆盖率是无关变量;(4)与收入和货币政策对房价的抬升效应相比，住房销售因素对房价的平抑作用相当有限。