王 慧, 吴茜茜
(合肥工业大学 数学学院,安徽 合肥 230601)
空间自回归(spatial autoregression,SAR)模型是空间计量模型的一个特例,常被用于分析具有空间相关性的数据。由于其独特的博弈结构并且可以被解释为反应函数,被广泛地应用于空间计量经济学和社交网络建模中[1]。建立模型的过程离不开对模型中未知参数的估计,而针对SAR模型中参数的估计,文献[2]提出编码法;文献[3]利用最小二乘估计方法研究SAR模型;文献[4]概括了SAR模型的似然函数,并给出相应的极大似然估计,但SAR模型的极大似然估计量的收敛速度取决于空间权重矩阵的特征[5];文献[6]提出SAR模型的有限信息的极大似然估计量,但由于空间相关性,得到的是非一致估计。随着广义矩估计方法的提出,很多学者将其应用到空间计量模型中[7-8],但在异方差存在的情况下,该估计是非一致的[9]。
随着贝叶斯理论的发展,越来越多的学者开始重视贝叶斯统计推断这一有力工具。文献[10-12]研究了SAR模型和受限因变量SAR模型的贝叶斯方法,突破了SAR模型经典方法的限制;文献[13]的研究结果表明,当SAR模型中存在负的空间相关性时,通过马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)方法取得的贝叶斯估计量比稳健的广义矩估计量更有效。实际上,贝叶斯统计推断主要依靠后验分布,为此需要计算似然函数并给出合理的先验[14]。当模型参数空间维数增加或先验结构复杂时,似然函数越来越复杂而无法获取其解析表达式,无法计算后验密度,此时不能直接运用贝叶斯方法。……