论文部分内容阅读
面板数据模型是现代计量经济学研究中的一个备受关注的模型,而空间面板数据模型(SPDMs)是其拓展和延伸。空间面板数据模型不但考虑了空间之间的关联性,而且还能衡量时间之间的关联性。因此,其研究受到了国内外的广泛关注。空间面板数据模型的现有研究,大都假设随机效应和误差项服从正态分布,并且假定响应变量和协变量是完全观测的。然而,在实际应用中,数据有可能呈现出有偏或者缺失的情况,此时,仍基于传统的高斯假设作统计推断有可能得到不合理的甚至错误的结论。为此,本论文在贝叶斯框架下,研究带随机效应和缺失数据的空间面板数据模型的参数估计、变量选择和统计诊断问题。其研究内容概括如下:(1)在假设随机效应和误差项均服从偏正态分布而非正态分布的情况下,借助Gibbs抽样和MH算法,提出了同时获得空间动态面板数据模型参数和随机效应的贝叶斯估计的MCMC算法。(2)用贝叶斯局部影响分析方法研究偏正态空间动态面板数据模型,对协变量、响应变量、参数先验信息和样本分布的扰动模型建立了不同的扰动策略。利用微分几何中扰动流形有关理论,给出了度量扰动大小或内在关联性的度量张量和提升量。基于MCMC算法,给出了计算目标函数:Bayes因子、(?)-距离、后验均值距离统计量的一阶、二阶诊断统计量的近似公式。(3)对响应变量带有不可忽略缺失的空间面板数据模型,采用Logistic回归模型对响应变量缺失示性变量建立缺失数据机制模型。为了避免观测数据似然函数中涉及的高维积分问题,本论文采用Gibbs抽样与MH算法相结合的MCMC算法讨论了空间面板数据模型的贝叶斯估计。同时,基于数据删除模型研究了删除一个数据点(或数据集)对模型参数的估计问题。特别是对(?)-距离、Cook后验均值距离和Cook后验众数距离,导出了计算贝叶斯删除诊断统计量的一阶近似公式。(4)对协变量带测量误差的空间面板数据模型,在不假设随机效应分布的情况下,研究了模型参数和随机效应的贝叶斯估计问题。为了作统计推断,本论文用截断Dirichlet过程先验近似随机效应的分布,在假设协变量存在测量误差的线性模型中,借助Gibbs抽样与MH算法相结合的混合算法,获得模型中未知参数和随机效应的贝叶斯估计的MCMC算法。同时,在假设模型参数服从Laplace分布的情况下,讨论该模型的贝叶斯变量选择问题。