[论文解读] Identifying spatial interdependence in panel data with large N and small T

Deborah Gefang, Stephen Hall+1 more|arXiv (Cornell University)|Sep 7, 2023

Spatial and Panel Data AnalysisEconomics, Econometrics and Finance被引用 3

一句话总结

本文提出了一种两阶段变分贝叶斯算法，用于估计大N小T的面板空间自回归模型，采用狄利克雷-拉普拉斯先验进行变量选择与参数收缩，无需预先定义空间权重。该方法能高效地从数据中识别空间相互依赖关系，在速度和准确性上优于现有方法，蒙特卡洛研究显示能有效恢复真实的权重矩阵，实证应用揭示了欧盟地区间新的跨国增长关联。

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.

研究动机与目标

• 解决在横截面单位数量大（N）但时间周期少（T）的面板数据中识别空间相互依赖性的挑战。
• 开发一种计算高效的估计方法，避免依赖预设的空间权重矩阵。
• 通过灵活的先验结构实现在数据驱动下发现空间关联。
• 在高维空间面板模型中提升估计的准确性和速度。

提出的方法

• 提出一种两阶段变分贝叶斯算法，用于估计面板空间自回归模型。
• 使用狄利克雷-拉普拉斯先验，实现变量选择与参数收缩的同步进行。
• 该方法不施加任何先验的空间结构于关联关系上，允许数据决定空间依赖性。
• 空间权重矩阵直接从数据中估计，无需假设固定或已知的连通性结构。
• 该算法设计为计算高效，适用于大N小T的场景。
• 该方法即使在真实空间结构未知的情况下，也能实现对空间效应的稳健推断。

实验结果

研究问题

• RQ1 当不假设先验空间结构时，如何在大N小T的面板数据中可靠地识别空间相互依赖性？
• RQ2 在未预设空间权重的情况下，数据驱动的贝叶斯方法在多大程度上能恢复真实的权重矩阵？
• RQ3 在现有文献中尚未被发现的欧洲联盟区域内增长速率之间的关键空间关联是什么？
• RQ4 在高维空间面板模型中，所提出的方法与传统估计技术相比，在速度和准确性上表现如何？
• RQ5 该方法能否在真实经济数据中揭示有意义的区域聚类与相互依赖关系？

主要发现

• 所提出的方法显著快于传统方法，能够在大N小T场景下实现高效估计。
• 蒙特卡洛研究显示，估计的空间权重矩阵与真实底层矩阵高度接近。
• 该方法成功识别出欧盟区域增长动态中的主要国家聚类。
• 发现了此前未被记录的欧盟区域增加值增长中的新型跨国空间关联。
• 狄利克雷-拉普拉斯先验的使用实现了有效的收缩与变量选择，提升了模型可解释性。
• 实证结果揭示了此前未被发现的空间相互依赖模式，凸显了该方法在政策相关洞察方面的潜力。