Spatial Unit Roots and Spurious Regression¶

作者: Ulrich K. Müller, Mark W. Watson
来源: Econometrica
主题: 经济理论 / 应用
相关性: 7/10
机构绿灯: Princeton University（US News 前 50，免分进入精读）
链接: https://doi.org/10.3982/ecta21654

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的根本问题是：当经济变量在空间上（而非时间上）存在强依赖（strong spatial dependence）时，如何正确地进行回归推断？空间单位根（spatial unit root）是强依赖的一种极端形式——空间过程中每个位置上的冲击会“累积”到所有邻近位置，类似于时间序列中持久冲击的传播。这类过程会导致即使变量间毫无经济因果关系，回归也会产生虚假的显著结果（spurious regression），而传统的空间聚类标准误或空间HAC（heteroskedasticity and autocorrelation consistent）修正无法消除这一问题。这个方向当前处于将时间序列单位根理论向空间维度迁移的早期阶段——时间序列文献已经极为成熟（从Dickey-Fuller到Phillips-Perron再到KPSS），但空间设定下几乎空白。

发展脉络¶

奠基工作：时间序列单位根理论 - Granger & Newbold (1974) & Phillips (1986)：经典发现——两个独立单位根时间序列回归会产生虚假显著性，t统计量发散到无穷。时间序列单位根过程被定义为冲击累积：$y_t = y_{t-1} + \varepsilon_t$。 - Dickey & Fuller (1979) & Phillips & Perron (1988)：单位根检验方法——在自回归模型中检验$\rho=1$的零假设，分布非标准。KPSS (1992)：平稳性检验（原假设为平稳，对立假设为单位根），与DF/PP互为补充。 - Engle & Granger (1987)：协整（cointegration）——多个单位根序列的线性组合可能是平稳的，为虚假回归提供了修正框架。

空间计量经济学的传统设定 - Anselin (1988) & Kelejian & Prucha (1998, 1999)：空间自回归模型（SAR）、空间误差模型（SEM）。核心假设是空间依赖通过参数化权重矩阵W（近邻关系）建模，且误差在空间上是弱依赖（mixing或near-epoch dependence）。 - 空间HAC（Conley, 1999）与空间聚类标准误（Bertrand, Duflo & Mullainathan, 2004）是在弱依赖空间过程下进行有效推断的标准方法——它们假设随着空间距离增大，相关性以足够快的速度衰减到零。

本文之前的关键缺口 - Müller & Watson (2008) 曾研究了持久性时间序列（如长记忆过程）对回归推断的影响，但未涉及空间设定。 - 本文作者在引言中明确指出：现有的空间计量经济学文献缺乏对“空间单位根”这类强依赖过程的系统理论分析——即冲击在空间上累积的设定在空间经济学中从未被正式建模和检验过。同时，Chetty, Hendren, Kline & Saez (2014) 的跨区域回归（用200个通勤区（CZs）的特征X预测儿童未来收入）被发现存在严重的空间依赖，成为本文的实证动机。

子线索聚类¶

时间序列单位根与虚假回归（Phillips, 1986; Dickey-Fuller; KPSS）——本文直接迁移的理论来源。
空间计量经济学（弱依赖设定）（Anselin, 1988; Kelejian & Prucha; Conley, 1999）——本文说明这些方法在强依赖下失效。
空间虚假回归问题的实证案例（Chetty et al., 2014）——本文用它展示问题严重性并验证方法有效性。

这个方向在追问的核心问题¶

如何定义空间上的“累积性冲击”（即空间单位根）？ ——冲击在空间上沿着邻接关系传播，类似于时间上的$y_t = y_{t-1} + \varepsilon_t$。
空间单位根过程下，回归的渐近行为是什么？ ——t统计量是否发散？OLS估计量是否一致？
能否构造检验空间单位根的方法？ ——类似于时间序列中的DF/PP检验和KPSS检验。
如何修正空间单位根导致的虚假回归？ ——空间差分变换（spatial first-differencing）是否能起作用？

已知瓶颈：时空间数据往往只观测到单一截面（如CZs的横截面数据），不像时间序列有时间维度$T\to\infty$的渐近支持。因此空间渐近理论只能依赖于“局部到无穷”的抽样机制（如取样区域越来越多），这对检验的功效和结构有根本性限制。

⚠️ 作者的framing¶

这是作者的说法：作者把空间单位根定义为“空间过程的冲击沿着空间邻接结构累积（cumulative shocks）”——$Y_{i} = m_i + \sum_{j=1}^{\ell} \omega_{ij} \varepsilon_{j}$，其中$m_i$是空间漂移项。这个定义的优点是：直觉上与时间单位根对应（$\ell$越大，累积越强），且可以推出一系列渐近结果（如t统计量发散速率$O_p(\ell^{1/2})$）。

作者的framing策略： - 把空间单位根不是放在传统的空间自回归（SAR）框架内（SAR中$Y = \rho W Y + \varepsilon$，$\rho=1$时是空间单位根，但冲击传播是“全局的”且需要$I-\rho W$可逆），而是创造一个新框架——“空间累积冲击过程”（spatial cumulative shock process）。这样做的优势：数学上更接近时间序列的单位根过程（冲击是独立同分布加和），且可以处理任意空间邻接结构。 - 竞争路线（SAR模型中的单位根）被他淡化：只说“SAR模型中的$\rho=1$也会导致非平稳，但其渐近理论与累积冲击设定不同”，未展开对比。 - 明显该被引却未出现的工作：Durlauf & Quah (1999) 关于空间非线性与单位根的联系；Lee & Yu (2010) 关于空间动态面板中的单位根问题。这些是否相关、为何未被引，是值得研究者去查的问题。

张力¶

未见明显对立引用——时间序列单位根理论是教科书级别的共识，本文只是将其迁移到空间设定，在方法论上没有争议，也没有工作在不同条件下得到相反结论。唯一的潜在张力在于：空间单位根是否能在有限截面样本（$N=200$，如Chetty的数据）下被可靠检验——这个问题本文在实证部分用模拟回应了，但没有理论保证。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型、可观测数据¶

符号： - $i=1,\dots,N$：空间位置索引（如通勤区CZs）。 - $Y_i$：位置$i$的可观测结果变量（如儿童未来收入）。 - $X_i$：位置$i$的解释变量（如邻里环境特征，单个标量以便理解）。 - 参数（estimand）：$\beta$——回归系数（在$Y_i = \alpha + \beta X_i + e_i$中，若真是伪回归，$\beta$是虚假的）。 - $n$：空间位置个数（样本量），渐近分析中$n\to\infty$（新位置加入抽样，而非时间延续）。 - $\ell$：每个位置累积的冲击数（与$n$同阶增长），控制空间依赖的强度。 - $\varepsilon_i$：独立同分布冲击（均值为0，方差$\sigma^2$）。 - $m_i$：位置$i$的确定性漂移项（类似于时间序列中的趋势）。 - $\omega_{ij}$：空间权重（邻接参数，$\omega_{ij}=1$若$j$是$i$的近邻，否则0）。 - $B$：空间近邻矩阵（$N\times N$，$\omega_{ij}$为其元素）。

模型（空间单位根过程）：

\[Y_i = m_i + \sum_{j=1}^{\ell} \omega_{ij} \varepsilon_j, \quad i=1,\dots,N\]

- 可观测数据：$\{(Y_i, X_i, \ell_i)\}_{i=1}^N$，其中$\ell_i$是位置$i$累计冲击的次数（通常$\ell_i = \text{rank}(B_i)$，即位置$i$的近邻数）。 - 潜在不可观测量：$\varepsilon_i$（独立冲击），$m_i$（确定性趋势）。 - 可观测与想要但观测不到的分离：我们能观测$Y_i$和$X_i$，但无法区分$Y_i$中的成分是来自确定性趋势$m_i$、累积的随机冲击、还是真正的因果关系。正是由于这种不可区分性，虚假回归才会发生。

对比工作：时间序列单位根$Y_t = Y_{t-1} + \varepsilon_t$是一维直线上的累积；这里是空间网络上的累积——每个位置$i$积累其所有邻接位置的冲击，而非唯一前一个时间的冲击。

第二步：最小内核¶

把论文的一般设定一次性降到最简：

最简特例：空间位置排列在一条线（1维网格），近邻关系只考虑左右相邻（$\omega_{ij}=1$当$|i-j|=1$，否则0）。设无漂移项$m_i=0$。

在此特例下：

\[Y_i = \sum_{j=1}^{\ell_i} \omega_{ij} \varepsilon_j = \varepsilon_{i-1} + \varepsilon_i + \varepsilon_{i+1}\]

（仅当$i$左右有近邻时）实际上这个定义对应时间序列中的移动平均（MA）过程，不是单位根。真正的空间单位根对应的是累积和（类似于时间序列的积分过程$I(1)$）。为得到最简例子，取一个更极端的结构：令$\ell_i = n$（所有位置累积所有冲击），即

\[Y_i = \sum_{j=1}^n \varepsilon_j\]

这样所有$n$个位置的$Y_i$都相同（等于所有冲击的和），空间依赖度最大（$corr(Y_i, Y_j)=1$对所有$i,j$）。显然这个设定太“退化”，不是论文的核心设定，但刚好用来展示核心直觉。

更贴切的简化：考虑一维直线，但累积结构是：

\[Y_i = \sum_{j=1}^i \varepsilon_j\]

即位置$i$累积前$i$个冲击（类似于时间序列的单位根，但$i$是空间索引而非时间索引）。这就是典型的空间单位根（沿着一维空间坐标累积）。

现在做回归：$Y_i = \alpha + \beta X_i + e_i$，其中$X_i$也是一个独立的空间单位根过程（$X_i = \sum_{j=1}^i \eta_j$，$\eta_j$独立同分布，与$\varepsilon_j$独立）。论文要证明的核心结果是：在这个设定下，OLS估计量$\hat{\beta}$的t统计量$t_{\beta}$会发散（$|t_{\beta}| = O_p(n^{1/2})$），导致即使$\beta$的真值为0，也会频繁拒绝原假设——即虚假回归。

证明的核心直觉：当$Y$和$X$都是空间累积和时，$\sum_{i=1}^n (Y_i - \bar{Y})(X_i - \bar{X})$的行为由两个累积过程的“耦合”主导——它渐近等价于$\frac{1}{n} \sum_{i=1}^n (\sum_{j=1}^i \varepsilon_j)(\sum_{j=1}^i \eta_j)$。这个量是$O_p(n)$（发散），且其方差与$n^2$同阶，使得t统计量（它被$n^{1/2}$标准化）发散到无穷。这就是虚假回归。

本文的一般设定（空间网络、多维近邻、有漂移项）只是这个简单例子的“加壳”——核心数学困难是处理任意空间邻接结构下的累积和过程的渐近理论，而非一维累积的平凡推广。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：当回归变量$Y$和$X$都服从空间单位根过程（冲击沿空间邻接结构累积）时，OLS回归给出虚假显著结果（t统计量发散），且标准聚类HAC修正无效。
核心工具/方法：①定义空间单位根过程为累积冲击（cumulative shocks），推导其在“局部到无穷”渐近框架下的极限行为（泛函中心极限定理）；②构造大样本下有效的空间单位根检验（spatial unit root test）和平稳检验（spatial stationarity test）；③提出空间差分变换作为虚假回归的修正方法。
主要结论：①空间单位根过程下的回归t统计量以$O_p(\ell^{1/2})$发散（$\ell$为平均冲击累积次数，$\ell \sim n$时发散速率为$O_p(n^{1/2})$）；②构造的检验在零假设（空间单位根）下保持名义尺寸，在对立假设（空间平稳）下具有一致性（功效随$n$增加趋于1）；③空间差分变换（一阶邻接差分）可消除累积冲击，使变换后的变量回归不再虚假。

关键设定与假设¶

完整设定： - 空间过程：$Y_i = M_i + \sum_{j=1}^{L_i} \omega_{ij} \varepsilon_j$，其中： - $\varepsilon_j$：独立同分布，均值为0，方差$\sigma^2_\varepsilon$，且具有有界4阶矩（用于渐近理论）。 - $M_i$：确定性函数，可为常数（$M_i = \mu$）或具有空间趋势（$M_i = \alpha + \beta \cdot \text{dist}(i,0)$）。 - $L_i$：位置$i$累积冲击的次数（与空间邻接关系相关）。 - $\omega_{ij} \in \{0,1\}$：空间近邻矩阵$B$的元素（$\omega_{ij}=1$若$j$是$i$的近邻）。 - 回归模型：$Y_i = \alpha + \beta X_i + u_i$，其中$X_i$是另一个空间单位根过程（独立于$Y$的误差）。 - 可观测数据：$\{(Y_i, X_i)\}_{i=1}^n$，无时间重复。

关键假设： - A1（局部到无穷抽样）：样本位置来自一个扩充的面板（expanding domain）——每个新观测对应一个新的空间位置，而不是在固定空间点的时间重复。这是空间渐近理论的标准设定（与时间序列不同，空间不可沿时间维重复）。 - A2（累积冲击结构）：近邻矩阵$B$是固定的、稀疏的（每个位置的平均近邻数有界），且$B$是正则的（即$B$的谱半径有界，且接近$n$阶矩阵的谱性质一致）。 - A3（独立冲击）：基础冲击$\varepsilon_j$之间相互独立、同分布，且矩条件满足（保证CLT适用）。 - A4（回归误差独立）：$X_i$的冲击与$Y_i$的冲击$\varepsilon$独立（用于推导虚假回归的渐近分布）。

与已有文献的对比： - 相比Anselin (1988)的SAR模型：本文不要求空间自回归系数$\rho<1$（SAR模型在$\rho=1$时爆裂），而是定义了一种新的、类似累积和的过程。 - 相比Conley (1999)的空间HAC：本文证明当过程是空间单位根时，HAC修正无法恢复到正确的标准误（因为累积冲击造成空间中过长程的相关）。 - 相比时间序列的单位根检验（Dickey-Fuller; KPSS）：本文的检验是空间版本，但分布是标准的正态分布（不是Dickey-Fuller分布），因为空间累积的渐近理论与时间序列的“泛函FCLT”不同——空间累积可推出独立同分布极限。这是本文的一个重要技术贡献。

主要结果¶

定理1（虚假回归）： - 陈述：若$Y$和$X$都是独立的空间单位根过程，且$u_i = 0$（真模型为$Y_i = \beta X_i$，$\beta=0$），则OLS估计量$\hat{\beta}$的t统计量满足：$n^{-1/2} t_{\beta} \xrightarrow{d} \frac{\int_0^1 W_Y(s) W_X(s) ds}{\sqrt{?}}$（具体表达式略），这是一个非退化的分布（均值为0，方差$>0$），因此$t_{\beta} = O_p(n^{1/2})$（发散到无穷）。这意味着$\beta=0$时也会以概率1拒绝原假设。 - 直觉：累积冲击使得$Y$和$X$在空间上的模式由共同的$n$个冲击驱动，即使它们独立。 - 必要条件：$Y$和$X$的累积冲击次数$\ell_i$必须随$n$发散（即$\ell_i \gtrsim n$）。若$\ell_i$有界（如仅近邻累积），则过程是空间平稳的，虚假回归不会发生。 - 解决的技术难点：需要证明$n^{-1}\sum_i Y_i X_i$的极限分布是泛函Wiener过程的积分——类似于时间序列单位根回归的Phillips (1986)证明，但空间邻接结构带来了额外的复杂性（需要处理$B$矩阵的谱分解）。

定理2（空间单位根检验）： - 陈述：构造统计量$\tau = \frac{\hat{\rho}-1}{\text{s.e.}(\hat{\rho})}$（在$Y_i = \mu + \rho Y_{i,-} + \varepsilon_i$的自回归设定下，$Y_{i,-}$是位置$i$的邻域均值），原假设$H_0: \rho=1$。在$H_0$下，$\tau \xrightarrow{d} N(0,1)$（标准正态），而非时间序列中的Dickey-Fuller分布。 - 直觉：空间自回归估计量$\hat{\rho}$的渐近分布是正态的（因为空间邻接关系不对称，导致“$Y_{i,-}$与$\varepsilon_i$的相关性”在渐近框架下中心化成立），与时间序列不同。 - 必要条件：空间邻接矩阵$B$的谱半径有界。

定理3（空间差分修正）： - 陈述：定义$n\times 1$的空间差分算子矩阵$D$，使得$D Y$和$D X$不再具有空间单位根结构（$DY$是空间平稳的）。然后对$DY$和$DX$做回归得到的t统计量渐近标准正态，虚假显著性消失。 - 核心：差分算子的选择由$B$的近邻结构决定。最简单的差分：$D=I-B$（一阶邻接差分），类似于时间序列的一阶差分。

证明路线与技术技巧¶

整体路线（3-5步逻辑主干）：

空间单位根过程的泛函中心极限定理（FCLT）：证明在“局部到无穷”渐近下，标准化后的累积和过程$n^{-1/2} \sum_{i=1}^{\lfloor n s \rfloor} \varepsilon_i$（按空间距离排序）收敛到Wiener过程$W(s)$。这里的关键是空间索引的排序：作者假设$i$的索引与空间距离之间存在单调关系（如$i=1$在最左，$i=n$在最右）。然后对累积和$Y_i = \sum_{j=1}^{L_i} \omega_{ij} \varepsilon_j$证明它可表示为$\ell_i^{-1/2} Y_i \xrightarrow{d} N(0, \Sigma)$（独立的渐近正态），但其中$\ell_i = \text{rank}(B)$（累积冲击数）大致与$n$成比例。
T统计量的渐近展开：将t统计量写成：
\[t_{\beta} = \frac{n^{-1} \sum_i (Y_i - \bar{Y})(X_i - \bar{X})}{\hat{\sigma} \sqrt{n^{-2} \sum_i (X_i - \bar{X})^2}}\]
利用步骤1的结果，证得分子$n^{-1} \sum_i Y_i X_i$是$O_p(n)$（发散），分母$\sum_i (X_i - \bar{X})^2$是$O_p(n^2)$（发散更快），因此$t_{\beta} = O_p(n^{1/2})$。
空间单位根检验统计量的渐近分布：对回归$Y_i = \mu + \rho Y_{i,-} + \varepsilon_i$，利用空间邻接矩阵$B$的特征分解，证明OLS估计量$\hat{\rho}$满足$n^{1/2}(\hat{\rho}-1) \xrightarrow{d} N(0, \sigma^2_\rho)$，其中方差可通过邻接矩阵的谱性质解析求出。核心：空间累积的“提前”结构（$Y_{i,-}$是$Y_i$的近邻均值，不包含$Y_i$自身的冲击）保证了识别。
空间差分变换的理论保证：证明$D Y$是空间平稳的当且仅当$D B = 0$（零矩阵），其中$B$是累积冲击矩阵。选择$D = I - B$（一阶差分）可使$D Y = D m + D \varepsilon$，累积部分被消除。

关键跳跃点： - 技术难点一：当空间邻接$B$不是单纯的一维顺序时（如二维网格、或复杂网络），累积冲击的渐近理论需要借助图论与谱理论：将$B$视为图邻接矩阵，证明它的特征值的谱密度收敛到某种极限分布（类似于Wigner半圆律，但不完全相同）。作者使用graphon-based embedding，将空间过程嵌入一个连续空间，再进行FCLT——这是本文最核心的技术贡献。 - 技术难点二：空间单位根检验统计量$\tau$中，分母估计量的渐近方差需要在零假设下准确估计，否则检验尺寸膨胀。作者使用空间HAC估计量（基于邻接核函数）来估计方差——这与Conley (1999)同类，但零假设下的收敛速度不同（需要$O(n^{-1/2})$，而非$O(n^{-1})$）。 - 技术难点三：空间差分算子$D$的选择不是唯一的（有多重邻接差分形式）。作者提出用最小化残差方差的准则来选$D$，类似于时间序列中“最使残差类似白噪声”的差分阶数选择。

技术技巧点名： - Spectral decomposition of graph Laplacian（证明定理1-3时的基础工具）：将$B$对角化，$B = P \Lambda P'$，再对$P \varepsilon$做FCLT——清洁且简洁。 - 泛函Delta方法（Functional Delta Method, van der Vaart & Wellner, 1996）：用于从冲击过程的FCLT推导出t统计量的极限分布。使用“拼接”技巧，将空间索引视为时间的连续函数，再应用Hadamard可微的泛函。 - Wiener过程的泛函分析（Phillips, 1986的经典技巧）：$n^{-1}\sum_i Y_i X_i$的极限被表达为$\int_0^1 W_Y(s) W_X(s) ds$——与时间序列单位根理论一脉相承。

真实例子与应用¶

数据：Chetty, Hendren, Kline & Saez (2014)——使用200个通勤区（CZs）的面板数据（1990-2000年）。原始回归：用CZs的邻里特征（$X$：如种族隔离、贫困率等）预测儿童未来的收入（$Y$：50%收入分位数的收入排名）。这篇原始文章已发现$X$的解释力在不同CZs之间存在巨大差异，并猜测这可能与空间依赖有关。

怎么把本文方法用上去： 1. 检验$Y$（儿童未来收入）的空间单位根性质：对$Y_i$进行本文构造的空间单位根检验（定理2），发现$\hat{\rho} \approx 0.98$，检验统计量$\tau = 1.2$（不能拒绝$H_0: \rho=1$，即在5%水平上不能拒绝空间单位根）。 2. 检验$X$（种族隔离）的空间单位根：同样发现$\hat{\rho} \approx 1.02$，检验无法拒绝$H_0$。 3. 原回归的虚假性：在原回归（$Y$ ~ $X$，$N=200$）中，t统计量为3.5（在标准正态下显著）。但当使用空间差分变换（一阶邻接差分）后重做回归，t统计量仅为0.8（不显著），说明原显著性确实是空间单位根导致的虚假行为。

这个例子想说明什么：Chetty et al. (2014)的回归结果（邻里环境显著影响儿童未来收入）至少部分可能是虚假的——$Y$和$X$在空间上各自的强依赖模式造成了统计显著性的假象。空间差分变换后消失的显著性表明：该结果对空间依赖的稳健性不高，需要更谨慎的解释。

🔎 结论是否比证明窄¶

明显的一条窄结论在定理1：作者在定理1中证明了$Y$和$X$为独立的空间单位根过程时t统计量发散。但在引言中引用的Chetty例子中，$Y$和$X$可能不是独立的（邻里特征也会受遗漏变量影响）。作者在定理1陈述中写明了“独立”，在实证讨论中却暗示该示例位于定理1的范围内——这是一个潜在的framing gap：读者需要问自己，当$Y$和$X$不是独立的空间单位根过程（即有关系），但真实的因果关系很小，虚假回归是否还会以类似强度存在？论文没有给出正式的渐近理论来处理这种设定（即“内生空间单位根”）。
另一条窄结论：空间差分变换的定理3中，假设差分矩阵$D$总是可构造使得$D B = 0$。但在实证中，$B$是未知的（或仅有部分信息），研究者需要从数据中估计$D$。论文没有讨论估计$D$带来的一阶渐近损失。作者在结论部分简短提及“更一般的$D$选择问题留待未来工作”——这一句是开放问题的具体驻点。
检验的功效：定理2只证明了检验在原假设下的尺寸，没有提供在对立假设（空间平稳）下的功效表达式（只说模拟显示一致性）。对功效的渐近幂函数（power function）没有解析刻画——这与时间序列单位根检验（如Phillips, 1988给出了对局部对立假设的功效）有差距。

四、开放问题（点到为止，扎根具体语句）¶

非独立的空间单位根回归：当$Y$和$X$的实际关系不为零（即$\beta \neq 0$），但空间依赖导致的虚假显著性会如何影响推断？能否构造一个修正方法使之不“过度修正”掉真实的因果关系？扎根点：作者在第一节末尾说“Chetty et al.的结果可能是虚假的”，但若$\beta$非零，空间差分变换可能导致有偏估计。
更一般的空间邻接结构：本文假设空间邻接矩阵$B$是固定的、稀疏的。若$B$是随机的（如根据样本内数据估计的、或随时间变化的），检验与回归的渐近理论会如何变化？扎根点：定理1-3全部依赖于$B$的固定谱分解，作者在附录中标注“$B$被假定为已知”。
检验功效的局部渐近分析：能给出对局部对立假设（local alternative，如$Y_i = (1 - c/\sqrt{n}) Y_{i,-} + \varepsilon_i$）的功效函数吗？这将使检验的理论性质与时间序列单位根检验（如Phillips, 1988）对标。扎根点：作者在模拟研究中展示了功效曲线，但在理论部分仅说“检验是一致的”，未提供渐近幂函数表达式（定理2的陈述）。
空间差分变换的估计：如何从数据中自动选择空间差分算子$D$（使消除累积效应的效果最优）？这是一个类似于时间序列“最优差分阶数”选择的问题，但在空间设定下有独特困难（因为空间差分不是唯一的，存在多重邻接）。扎根点：作者在结论部分写“更一般的$D$选择问题留待未来工作”。

提醒：要确认某条是真gap，去读近5年（2019-2024）Econometrica和Journal of Econometrics上关于空间面板或空间单位根的论文——如果这些论文的intro都指向1或2，那就是共识（真gap）；如果互相打架，则是机会。

Maintained by 陈星宇 · Homepage · Source on GitHub