当下空间计量经济中占主导地位的依旧是参数形式的空间计量模型估计,该类模型通过不同的线性假设对于空间的自相关性以及空间溢出效应进行建模.但在实际背景下,变量间的关系纷繁复杂,极有可能呈非线性特征.一味在线性假设下建模研究,会导致无法探寻变量间真正的关系.因此,引入非参数模型解决此问题有着极大的现实意义.自Lesage 1997年使用贝叶斯方法对空间计量模型进行参数检验以来,将空间关系视为具有空间结构的隐随机效应的做法仍是当前学者研究的热点.但在贝叶斯框架下,贝叶斯推断一般都是利用蒙特卡洛方法(MCMC)通过抽样得到参数的联合后验分布,进而得到边缘分布均值、方差、置信区间等统计信息.此类方法最大的局限就是在处理复杂模型尤其是样本高度相关时,需对模型进行分块、超参数化处理,或者采用更复杂的抽样方法,但仍存在收敛速度和计算时间的问题.此外,Matlab MCMC工具虽然可改变默认的先验的值,但对于非默认的设置仍需要花费时间去考虑是否可行.由Rue等2009年提出的嵌套拉普拉斯逼近方法(INLA)对于隐高斯模型的后验边缘推断提供了快速有效的解决方案,得益于隐高斯模型随机场为高斯马尔科夫随机场,其精度矩阵稀疏,嵌套拉普拉斯逼近方法可在保证精度的前提下大幅度缩短计算时间.通过梳理国内外文献可得,对于非参数空间计量模型的估计和使用嵌套拉普拉斯逼近方法估计空间计量模型的相关研究都较少:非参数空间计量模型或通过拟极大似然或通过两步估计、复杂MCMC抽样等复杂方法估计;空间计量模型的Baysian-INLA估计局限在经典线性形式.因此,本文结合非参数样条方法和贝叶斯推断,对非参数空间误差模型进行探究,并使用Bayesian-INLA进行模型估计.这对于空间计量模型的拓展以及扩宽贝叶斯估计方法的应用都有着理论和现实意义.本文所做工作具体有以下几个方面:第一,针对空间数据变量间广泛存在的非线性关系,本文使用惩罚样条方法处理非参数项,在空间误差模型中分别引入一维非参数项、二维非参数项来有效探讨空间变量之间真正的响应关系.第二,在贝叶斯框架下,使用INLA方法代替MCMC抽样,数值逼近非参数空间误差模型的贝叶斯后验边缘分布,构造高斯马尔可夫隐随机场保持精度矩阵的稀疏性以此保证INLA计算速度,填补使用Baysian-INLA估计非参数空间计量模型的空白.第三,在理论研究的基础之上,将该两类模型的估计方法应用在实证分析中.