[논문 리뷰] Identifying spatial interdependence in panel data with large N and small T

Deborah Gefang, Stephen Hall외 1명|arXiv (Cornell University)|2023. 09. 07.

Spatial and Panel Data AnalysisEconomics, Econometrics and Finance인용 수 3

한 줄 요약

이 논문은 크기가 큰 N과 작은 T를 가진 패널 공간 자기회귀 모형을 추정하기 위해 두 단계의 변분 베이지안 알고리즘을 제안한다. 이 방법은 사전에 정의된 공간 가중치를 필요로 하지 않고, 변수 선택과 매개수 수축을 위해 딜레트-랩라스 사전을 사용한다. 이 방법은 데이터로부터 공간 상호의존성을 효율적으로 식별하며, 기존 방법들보다 빠르고 정확한 성능을 보이며, 몬테카를로 연구를 통해 진짜 공간 가중치 행렬을 잘 복원하는 것으로 나타났다. 실증 분석에서는 유럽 지역 간의 새로운 국가 간 성장 연관성 구조를 밝혀냈다.

ABSTRACT

This paper develops a simple two-stage variational Bayesian algorithm to estimate panel spatial autoregressive models, where N, the number of cross-sectional units, is much larger than T, the number of time periods without restricting the spatial effects using a predetermined weighting matrix. We use Dirichlet-Laplace priors for variable selection and parameter shrinkage. Without imposing any a priori structures on the spatial linkages between variables, we let the data speak for themselves. Extensive Monte Carlo studies show that our method is super-fast and our estimated spatial weights matrices strongly resemble the true spatial weights matrices. As an illustration, we investigate the spatial interdependence of European Union regional gross value added growth rates. In addition to a clear pattern of predominant country clusters, we have uncovered a number of important between-country spatial linkages which are yet to be documented in the literature. This new procedure for estimating spatial effects is of particular relevance for researchers and policy makers alike.

연구 동기 및 목표

• 크기가 큰 횡단적 단위(N)와 적은 시간 단위(T)를 가진 패널 데이터에서 공간 상호의존성을 식별하는 데 도전하는 것.
• 사전에 지정된 공간 가중치 행렬에 의존하지 않는 계산적으로 효율적인 추정 방법을 개발하는 것.
• 탄력적인 사전 구조를 통해 데이터 기반의 공간 연관성 탐색을 가능하게 하는 것.
• 고차원 공간 패널 모형에서 추정 정확도와 속도를 향상시키는 것.

제안 방법

• 패널 공간 자기회귀 모형을 추정하기 위해 두 단계의 변분 베이지안 알고리즘을 제안한다.
• 변수 선택과 매개수 수축을 가능하게 하기 위해 딜레트-랩라스 사전을 사용한다.
• 연결성에 대해 사전에 공간적 구조를 강제하지 않아 데이터가 공간적 의존성을 결정하도록 한다.
• 고정되거나 알려진 연결성 구조를 가정하지 않고, 공간 가중치 행렬을 데이터로부터 직접 추정한다.
• 알고리즘은 계산적으로 효율적이며, 대규모 N과 소규모 T 설정에 적합하다.
• 진짜 공간 구조가 알려지지 않은 경우에도 공간 효과에 대한 견고한 추론을 가능하게 한다.

실험 결과

연구 질문

• RQ1 사전에 공간적 구조가 없는 패널 데이터에서 크기가 큰 N과 작은 T를 가진 상황에서 공간 상호의존성을 신뢰성 있게 식별할 수 있는가?
• RQ2 사전에 지정된 공간 가중치가 없는 데이터 기반 베이지안 방법이 진짜 공간 가중치 행렬을 얼마나 잘 복원할 수 있는가?
• RQ3 이전 문헌에서 드러나지 않은, 유럽 연합 지역 간 성장률 간의 주요 공간 연관성은 무엇인가?
• RQ4 고차원 공간 패널 모형에서 기존 추정 기법과 비교해 본다면, 제안된 방법은 속도와 정확도 측면에서 어떻게 다른가?
• RQ5 이 방법은 실제 경제 데이터에서 의미 있는 지역 클러스터와 상호의존성을 드러낼 수 있는가?

주요 결과

• 제안된 방법은 기존 방법보다 상당히 빠르며, 대규모 N, 소규모 T 설정에서도 효율적인 추정을 가능하게 한다.
• 몬테카를로 연구 결과, 추정된 공간 가중치 행렬이 진짜 기저 행렬과 매우 유사한 것으로 나타났다.
• 이 방법은 EU 지역 성장 역학에서 주요 국가 클러스터를 성공적으로 식별했다.
• 기존 문헌에 기록되지 않은, EU 지역의 총가치증가율 간 새로운 국가 간 공간 연관성이 밝혀졌다.
• 딜레트-랩라스 사전의 사용은 효과적인 수축과 변수 선택을 가능하게 하여 모델의 해석 가능성을 향상시켰다.
• 실증 결과는 이전에 드러나지 않았던 공간 상호의존성 패tern을 밝혀내었으며, 이는 정책적 통찰을 제공할 잠재력을 지닌다.