Statistical inference of partially linear time-varying coefficients spatial autoregressive panel data model

讲者: Lingling Tian
会场: Advances in Economic and Social Data Science
报告题目: Estimation for Partially Time-Varying Spatial Autoregressive Panel Data Model under Linear Constraints
链接: arXiv
来源: JCSDS 2026 · 返回会议总览

---

一、领域脉络与小综述

这个方向是什么

这个子方向研究的是空间面板数据模型，其核心科学问题是：如何利用同时包含空间单元（如省份、城市）和时间维度（如年份）的面板数据，来刻画一个空间单元上的响应变量如何受到其相邻单元响应变量（空间溢出效应）以及自身协变量的影响。当前，该领域正从经典的线性、参数化模型，向更灵活的半参数和非参数模型演进，以捕捉系数（包括空间滞后系数和回归系数）随时间或随其他协变量变化的复杂关系。本文所关注的“部分线性时变系数空间自回归面板数据模型”是该演进方向上的一个具体分支。

发展脉络（history）

根据本文的引言和参考文献，该方向的发展脉络可以梳理如下：

1. 奠基工作：线性SAR面板数据模型。Lee and Yu (2010) 提出了经典的线性空间自回归（SAR）面板数据模型的拟极大似然（QML）估计方法，奠定了该领域的基础。该模型假设所有系数（包括空间滞后系数和回归系数）均为常数。

2. 主要进展：半参数/非参数SAR模型。为了放松常数系数的限制，研究者开始引入半参数和非参数结构。

   • 部分线性模型：Ai and Zhang (2015) 和 Xu and Chen (2017) 分别提出了筛子两阶段最小二乘（S2SLS）和剖面拟极大似然（PQML）方法来估计部分线性SAR面板数据模型，其中一部分系数是常数，另一部分是非参数的（但通常不随时间变化）。
   • 变系数模型：Sun and Malikov (2018) 研究了函数系数SAR模型，允许空间滞后系数随其他协变量变化。这是一个重要的推广，但系数变化依赖于协变量而非时间。
   • 时变系数模型：Liang et al. (2022) 提出了一个半参数SAR面板数据模型，其中回归系数是时间的未知函数，但空间滞后系数仍为常数。他们使用了局部线性QML方法。Chang et al. (2024) 则更进一步，提出了一个趋势时变系数SAR面板数据模型，其中所有系数（包括空间滞后系数）都允许随时间变化。这是本文最直接的竞争和比较对象。

3. 当前Frontier与本文位置：当前的前沿是构建更灵活、更贴近实际应用的模型。本文（Tian, 2024）的定位是：在Chang et al. (2024) 的全时变系数模型和Liang et al. (2022) 的部分线性模型之间取一个折中。它提出了一个部分线性时变系数SAR面板数据模型，即一部分回归系数是常数，另一部分回归系数和空间滞后系数是时变的。作者声称，当所有系数都时变时，模型会遭遇“维度灾难”（curse of dimensionality），而本文的模型通过将部分系数设为常数，在灵活性和可估计性之间取得了平衡。本文提出的估计方法是基于剖面局部线性虚拟变量的两阶段最小二乘法（2SLS-PLLDV）。

子线索聚类

这些被引文献大致落在以下三条子线索上：

• 线索一：线性SAR模型与QML估计。以Lee and Yu (2010) 为代表，核心是处理固定效应下的线性模型，使用QML方法。这是整个领域的基石。
• 线索二：半参数/非参数SAR模型与工具变量/剖面似然估计。以Ai and Zhang (2015), Xu and Chen (2017), Liang et al. (2022) 为代表。核心是引入非参数成分（如变系数、部分线性），并发展相应的估计方法，如筛子法、剖面似然法、局部线性法。本文的2SLS-PLLDV方法属于这一线索。
• 线索三：时变系数SAR模型。以Chang et al. (2024) 和本文为代表。核心是允许系数随时间平滑变化，通常使用局部线性逼近。Chang et al. (2024) 是全时变模型，而本文是部分时变模型。

这个方向在追问的核心问题

1. 如何有效估计时变的空间滞后系数？ 空间滞后项是内生的，其时变性使得估计更加复杂。工具变量的选择和构造是关键。
2. 如何在模型灵活性和“维度灾难”之间权衡？ 当所有系数都随时间变化时，需要估计的函数数量随协变量维度线性增长，导致估计精度下降。部分线性结构是常见的应对策略。
3. 如何对模型进行假设检验？ 例如，检验某个回归系数是否真的是常数（即检验部分线性结构的合理性），或者检验空间滞后系数是否真的随时间变化。
4. 如何推导估计量的渐近性质？ 在N和T都趋于无穷的联合渐近框架下，建立估计量的相合性和渐近正态性，并给出协方差矩阵的表达式。

⚠️ 作者的framing

• 作者的缺口frame：作者将缺口frame为“现有文献中，要么是全时变系数模型（Chang et al., 2024）导致维度灾难，要么是空间滞后系数为常数的部分线性模型（Liang et al., 2022）不够灵活”。因此，本文提出的部分线性+时变空间滞后系数模型是“显然的下一步”，它在灵活性和可操作性之间取得了更好的平衡。
• 被淡化或回避的竞争路线：
  • 函数系数模型（Sun and Malikov, 2018）：该模型允许空间滞后系数随协变量变化，而非时间。作者在引言中仅一笔带过，没有深入讨论其与本文模型的优劣比较。例如，在什么情况下，系数随时间变化比随协变量变化更合理？
  • 其他非参数估计方法：作者选择了局部线性方法，但未讨论样条方法、核方法等替代方案在本文设定下的优劣。
• 值得研究者去查的问题：本文的引言和参考文献中，没有引用任何关于“高维空间面板数据模型”或“变量选择”的文献。当协变量维度p很大时，如何自动识别哪些系数是常数、哪些是时变的？这是一个明显的、未被本文触及的开放问题。此外，没有引用任何关于“统计-计算权衡”的文献，尽管2SLS方法涉及矩阵求逆，其计算复杂度在N和T很大时值得关注。

张力

未见明显对立引用。所有被引工作都在逐步放松模型假设，方向一致。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

• 符号：

  • i = 1, ..., N：空间单元索引（如省份）。
  • t = 1, ..., T：时间点索引（如年份）。
  • y_it：可观测的响应变量，在位置i和时间t的值。
  • x_it = (x_it1, ..., x_itp)^T：可观测的p维协变量向量。
  • w_ij：已知的、非随机的空间权重，表示位置j对位置i的影响，通常满足w_ii = 0，且行和为1。
  • W_N：N x N的空间权重矩阵，元素为w_ij。
  • ρ(τ_t)：待估的时变空间滞后系数，τ_t = t/T是归一化时间。
  • β_v(τ_t) = (β_1(τ_t), ..., β_q(τ_t))^T：待估的q维时变回归系数向量。
  • β_c = (β_{q+1}, ..., β_p)^T：待估的(p-q)维常数回归系数向量。
  • α_i：不可观测的个体固定效应，用于控制不随时间变化的空间异质性。为识别，假设Σ_i α_i = 0。
  • ε_it：不可观测的误差项，假设独立同分布，均值为0，方差为σ_ε^2。
  • τ_t = t/T：归一化时间，取值在(0, 1]。
  • h：核估计的带宽。
  • K(·)：核函数。

• 模型： 数据生成机制由以下方程描述： y_it = ρ(τ_t) * Σ_{j≠i} w_ij * y_jt + x_{v,it}^T * β_v(τ_t) + x_{c,it}^T * β_c + α_i + ε_it 这是一个结构方程。ρ(τ_t) * Σ w_ij y_jt项是空间滞后项，它使得y_it依赖于其他单元的y_jt，从而引入了内生性。

• 可观测数据：

  • 能观测到：{y_it, x_it, w_ij} 对于所有 i, j, t。即响应变量、协变量和空间权重矩阵。
  • 想要但观测不到：
    1. 个体固定效应 α_i：它被包含在误差项中，导致内生性。
    2. 时变系数函数 ρ(·) 和 β_v(·)：它们是未知的光滑函数。
    3. 常数系数 β_c：它们是未知的常数向量。
    4. 误差项 ε_it：不可观测的随机扰动。

第二步：讲最小内核

本文的核心思路可以浓缩为：如何在一个同时包含固定效应和内生空间滞后项的模型中，将常数系数和时变系数分离开来并分别估计？

最简特例：考虑一个极端简化的情形：N=2（两个空间单元），T=2（两个时间点），q=1（一个时变系数），p=2（一个常数系数）。模型退化为： y_it = ρ(τ_t) * w_i1*y_1t + w_i2*y_2t) + x_{v,it} * β_v(τ_t) + x_{c,it} * β_c + α_i + ε_it

核心思路（2SLS-PLLDV）：

1. 第一阶段：处理内生性（2SLS）。空间滞后项 WY 是内生的，因为它与误差项相关。作者使用工具变量 H = (X, WX, W^2X) 来预测 WY。这一步的关键是，由于系数是时变的，作者使用了一个带固定效应的局部线性回归来估计 WY 对 H 的回归，得到 WY 的拟合值 Ŷ_w。这相当于用一个非参数工具变量回归来“净化”内生变量。

2. 第二阶段：分离常数和时变系数（PLLDV）。将第一步得到的 Ŷ_w 代入原模型，得到： Y = ρ(τ_t) * Ŷ_w + x_v * β_v(τ_t) + x_c * β_c + α + ε 现在，Ŷ_w 和 x_v 的系数都是时变的，而 x_c 的系数是常数。作者采用剖面似然（Profile Likelihood）的思想：

   • 给定常数系数 β_c，模型退化为一个时变系数模型（包含 Ŷ_w 和 x_v）。作者再次使用带固定效应的局部线性回归（即PLLDV）来估计时变系数 γ_v(τ_t) = (ρ(τ_t), β_v(τ_t))^T。这一步将 β_c 视为已知，从而可以“剖面掉”非参数部分。
   • 将估计出的 Ŷ_w 和 x_v 的贡献从 Y 中减去，得到一个关于 β_c 和 α 的线性模型。然后，通过差分或虚拟变量（D矩阵）消去固定效应 α，最后用普通最小二乘（OLS）估计 β_c。

一句话总结：本文的核心数学操作是两次使用带固定效应的局部线性回归：第一次用于构造内生变量的工具变量拟合值，第二次用于在给定常数系数下估计时变系数。常数系数则通过一个剖面似然步骤，在消去固定效应和时变部分后，用OLS得到。

三、这篇论文做了什么

• 三句话：

  1. 研究了什么问题：研究了一个部分线性时变系数空间自回归面板数据模型，该模型同时包含常数回归系数、时变回归系数和时变空间滞后系数，以及个体固定效应。
  2. 核心工具/方法：提出了一个基于剖面局部线性虚拟变量的两阶段最小二乘法（2SLS-PLLDV）。第一阶段用工具变量和局部线性回归估计空间滞后项；第二阶段用剖面似然和局部线性回归分离并估计常数和时变系数。
  3. 主要结论：在正则条件下，证明了常数系数估计量 β̂_c 和时变系数估计量 γ̂_v(τ_0) 的渐近正态性，并给出了它们的渐近协方差矩阵。此外，还构造了一个基于残差平方和的拟合优度检验，用于检验部分系数是否为常数，并提出了一个残差bootstrap方法来计算p值。

• 关键设定与假设：

  • 模型设定：见第二节。关键点是：ρ(τ_t) 和 β_v(τ_t) 是时间的光滑函数（二阶连续可导），β_c 是常数。
  • 假设：
    • Assumption 1 (核函数)：标准核函数假设（对称、有界、Lipschitz连续）。
    • Assumption 2 (协变量)：协变量是独立同分布（i.i.d.）的，且对于每个个体，时间序列是α-混合的（允许弱时间依赖性）。存在有界矩。
    • Assumption 3 (误差项)：误差项独立于协变量，均值为0，方差有限，且也是α-混合的。定义了自协方差函数 c_ε(t) 和交叉协方差函数 C_{zv}(t) 等。
    • Assumption 4 (光滑性)：时变系数 γ_v(·) 二阶连续可导。
    • Assumption 5 (带宽)：T h → ∞，这是局部线性估计的标准条件。
    • Assumption 6 (空间权重矩阵)：W_N 是非随机的，且行和与列和一致有界（UB）。这是空间计量经济学中的标准假设，用于控制空间依赖性。
  • 与已有文献的对比：相比Liang et al. (2022)（空间滞后系数为常数），本文允许其时变；相比Chang et al. (2024)（所有系数时变），本文引入了部分线性结构。假设条件（如α-混合）与这些文献类似，属于该领域的标准设定。

• 主要结果：

  • Theorem 3.1 (常数系数的渐近正态性)：
    • 陈述：√(NT) (β̂_c - β_c) → N(0, Σ^{-1} Ω_ε Σ^{-1})。
    • 直觉：常数系数估计量 β̂_c 是 √(NT)-相合且渐近正态的。其渐近方差由两部分组成：Σ 是“净化”后的协变量（从 x_c 中剔除了 z_v 的线性影响）的协方差矩阵；Ω_ε 是一个长期协方差矩阵，它考虑了误差项的时间序列相关性（通过 c_ε(t)）以及协变量之间的交叉相关性。
    • 必要条件：Σ 必须正定，即 x_c 不能被 z_v 完全线性表示。
    • 解决的技术难点：推导 Ω_ε 的表达式，它包含了来自工具变量估计和剖面估计的复杂影响。
  • Theorem 3.2 (时变系数的渐近正态性)：
    • 陈述：√(N T h) [γ̂_v(τ_0) - γ_v(τ_0) - b(τ_0)h^2 + o_p(h^2)] → N(0, Σ_{zv}^{-1} Ω Σ_{zv}^{-1})。
    • 直觉：时变系数估计量 γ̂_v(τ_0) 是 √(N T h)-相合的（比常数系数的收敛速度慢，这是非参数估计的典型特征）。它有一个渐近偏差 b(τ_0)h^2，来源于局部线性逼近。其渐近方差由 Σ_{zv}（z_v 的协方差矩阵）和 Ω = ν_0 * Σ_t C_{zv}(t) c_ε(t) 决定。
    • 必要条件：Σ_{zv} 必须正定。
    • 解决的技术难点：处理固定效应和内生空间滞后项对时变系数估计的影响，证明其不影响渐近分布的一阶项。

• 证明路线与技术技巧：

  • 整体路线：
    1. 工具变量估计：证明第一阶段工具变量回归的估计量 Ŷ_w 是相合的，且其估计误差不影响第二阶段估计的渐近分布。
    2. 剖面估计：将 β̂_c 的估计分解为 D1 + D2 + D3。证明 D1（来自时变部分的偏差）和 D2（来自固定效应的偏差）是 o_p(1) 或 0。核心是证明 D3（来自误差项的部分）的渐近正态性。
    3. 渐近方差推导：通过一系列引理（Lemma 1-3），计算 D3 的渐近方差，得到 Σ^{-1} Ω_ε Σ^{-1}。对于 γ̂_v(τ_0)，类似地将其分解，证明偏差项和来自 β̂_c 估计误差的项是 o_p(1)，然后证明来自误差项的部分的渐近正态性。
  • 关键跳跃点：
    • Lemma 1和Lemma 2：证明 M^T(τ_0) W_h^*(τ_0) M(τ_0) 和 X̄_c^T X̄_c 的收敛性。这是整个渐近分析的基础，需要处理固定效应（通过 W_h^* 消去）和局部线性逼近。
    • Lemma 3：证明 X_c^T (I - S(h))^T (I - S(h)) ε 的渐近正态性。这是证明 β̂_c 渐近正态性的核心。关键技巧是证明 S(h)ε 项是 o_p(1)，从而将复杂的表达式简化为一个关于 (x_c, z_v, ε) 的简单和式，然后应用中心极限定理（CLT）于α-混合序列。
  • 技术技巧点名：
    • 局部线性逼近：用于估计时变系数 η(τ_t) 和 γ_v(τ_t)。
    • 剖面似然（Profile Likelihood）：用于分离常数系数和时变系数。
    • 虚拟变量（Dummy Variable）：通过构造矩阵 D 来吸收个体固定效应，避免了差分。
    • 工具变量（IV）：使用 (X, WX, W^2X) 作为工具变量来处理空间滞后项的内生性。
    • α-混合序列的中心极限定理：用于处理时间序列相关性，推导渐近分布。
    • Cramér-Wold定理：用于证明多维渐近正态性。

• 真实例子与应用：

  • 数据：中国30个省份2005-2016年的省级碳排放数据。
  • 场景：研究人均碳排放（PC）与人均GDP（PG）、人口结构（PR）、产业结构（IR）、能源结构（ER）的关系。
  • 方法应用：
    1. 首先，使用本文提出的bootstrap检验，检验了PG和IR的系数是否为常数。p值为0.204，不拒绝原假设，即认为PG和IR的系数是常数。这验证了部分线性模型设定的合理性。
    2. 然后，用2SLS-PLLDV方法估计模型（20），得到常数系数 β̂_3 = 0.1585（PG）和 β̂_4 = 1.2111（IR），并绘制了时变系数 ρ(τ_t), β_0(τ_t), β_1(τ_t), β_2(τ_t) 的拟合曲线（图3）。
  • 结果与说明：
    • 与Tian et al. (2024) 的模型（空间滞后系数为常数）相比，本文模型发现空间滞后系数和截距项也是时变的。
    • 图3(a)显示，空间滞后系数 ρ(τ_t) 在样本期内从正变负再变正，作者解释这可能反映了政策、技术或经济格局变化导致的空间聚类效应和补偿效应的交替。
    • 这个例子旨在说明本文模型能够捕捉到更丰富的时变关系，特别是空间依赖性的动态变化，而这是常数系数模型无法做到的。

• 🔎 结论是否比证明窄：

  • 本文的Theorem 3.1和3.2是在假设协变量和误差项是α-混合（弱时间依赖）的条件下证明的。然而，在模拟和实证中，作者假设了独立同分布（i.i.d.）的误差项（如正态、均匀、卡方）。作者在模拟中使用了i.i.d.误差，这比定理证明的条件更强。作者没有讨论当误差项存在强时间依赖（如单位根过程）时，定理是否仍然成立。
  • 作者在结论部分声称模型“增强了空间面板数据建模的灵活性和稳健性”，但没有提供任何关于模型稳健性的理论分析，例如对模型设定错误（如空间权重矩阵错误、函数形式错误）的敏感性。模拟部分仅展示了在正确模型下的表现。

四、开放问题

1. 高维变量选择与模型平均：当协变量维度 p 很大时，如何自动识别哪些系数是常数、哪些是时变的？本文的检验方法（假设检验）只能处理预先指定的分组，无法进行自动的变量选择。这是一个自然的扩展方向，可以结合LASSO或SCAD等惩罚方法。（扎根于：本文模型设定中，q 和 p-q 是预先已知的，作者在结论中也提到“未来可以探索更灵活的函数形式”。）

2. 更灵活的时变结构：本文假设时变系数是时间的光滑函数（二阶可导）。是否可以放松为允许结构突变（structural breaks）或门限效应（threshold effects）？例如，空间滞后系数可能在某个政策实施年份前后发生突变。（扎根于：作者在结论中提到“探索更灵活的函数形式”，且Chang et al. (2024) 的模型被称为“trending”模型，暗示了平滑趋势的假设。）

3. 工具变量的最优选择：本文使用了 (X, WX, W^2X) 作为工具变量。在时变系数设定下，是否存在更优的工具变量选择策略，以进一步提高估计效率？例如，是否可以使用时变的工具变量？（扎根于：作者引用了Kelejian and Prucha (1998) 关于工具变量选择的经典工作，但未讨论在时变设定下的最优性。）

4. 与其他估计方法的比较：本文仅与Tian et al. (2024) 的实证结果进行了非正式比较。一个更严谨的开放问题是：在有限样本下，本文的2SLS-PLLDV方法与基于QML的估计方法（如Liang et al. (2022) 的LLQML方法，如果扩展到本文的模型）相比，在效率和稳健性上表现如何？（扎根于：作者在结论中提到“与其他先进估计技术的比较分析将进一步验证我们的方法”，但本文并未进行此类比较。）

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论