WIELOPARAMETRYCZNE I HIERARCHICZNE MODELE PRZESTRZENNEJ AUTOREGRESJI. EWALUACJA SKUTKÓW BŁĘDNEJ SPECYFIKACJI EFEKTÓW PRZESTRZENNYCH NA PODSTAWIE SYMULACJI MONTE CARLO
Słowa kluczowe:
Model przestrzenny, model hierarchiczny, estymacja Monte Carlo, Bayesowska.Abstrakt
Artykuł ma na celu przetestowanie modelu przestrzennego i hierarchicznego, przeznaczonych do analiz procesów przestrzennych cechujących się przestrzenną heterogenicznością i autoregresją, pod kątem skutków błędnej specyfikacji efektów przestrzennych. W badaniu wykorzystano symulację Monte Carlo, którą przeprowadzono dla modelu m-SAR i HSAR. Wyniki badania wskazują, że błędne rozpoznanie przestrzennej homogeniczności lub heterogeniczności procesu wpływa negatywnie m.in. na oszacowania parametru interakcji przestrzennych na poziomie indywidualnym. Zastosowanie modelu m-SAR do analizy procesu z przestrzenną heterogenicznością skutkuje przeszacowaniem parametru interakcji przestrzennych.
Pobrania
Bibliografia
Anselin L. (1988), Spatial Econometrics: Methods and Models, Vol. 4. Springer.
Google Scholar
Baltagi B. H., Fingleton B., Pirotte A. (2014), Spatial lag models with nested random effects: An instrumental variable procedure with an application to English house prices, “Journal of Urban Economics”, 80, pp. 76-86.
Google Scholar
Chasco C., Le Gallo J. (2012), Hierarchy and spatial autocorrelation effects in hedonic models, “Economics Bulletin”, 32 (2), pp. 1474-1480.
Google Scholar
Corrado L., Fingleton B. (2012), Where is the economics in spatial econometrics?, “Journal of Regional Science”, 52(2), pp. 210-239.
Google Scholar
Dong G., Harris R. J. (2014), Spatial Autoregressive Models for Geographically Hierarchical Data Structures, “Geographical Analysis”.
Google Scholar
Elhorst J. P., Lacombe D. J., Piras G. (2012), On model specification and parameter space definitions in higher order spatial econometric models, “Regional Science and Urban Economics”, 42 (1), pp. 211-220.
Google Scholar
Getis A., Fischer M. M. (2010), Handbook of Applied Spatial Analysis: Software Tools, Methods and Applications, Springer.
Google Scholar
Goldstein H. (2011), Multilevel statistical models, vol. 922, John Wiley & Sons.
Google Scholar
Hays J. C., Kachi A., Franzese Jr. R. J. (2010), A spatial model incorporating dynamic, endogenous network interdependence: A political science application, “Statistical Methodology”, 7 (3), pp. 406-428.
Google Scholar
Hepple L. W. (1995), Bayesian techniques in spatial and network econometrics: 2. Computational methods and algorithms, “Environment and Planning A”, 27(4), pp. 615-644.
Google Scholar
Hoogland J., Boomsma A. (1998), Robustness studies in covariance structure modeling: An 14 overview and a meta-analysis, “Sociological Methods and Research”, 26(3).
Google Scholar
Łaszkiewicz E. (2013), Sample size and structure for multilevel modelling: Monte Carlo investigation for the balanced design, “Metody Ilościowe w Badaniach Ekonomicznych”, XIV-2”, pp. 19-28.
Google Scholar
López-Hernández F. A. (2013), Second-order polynomial spatial error model. Global and local spatial dependence in unemployment in Andalusia, “Economic Modelling”, 33, pp. 270-279.
Google Scholar
Lottmann F. (2013), Spatial dependence in German labor markets, Doctoral dissertation, Humboldt-Universität zu Berlin, Wirtschaftswissenschaftliche Fakultät.
Google Scholar
Olejnik A. (2009), Metodologia i zastosowania modeli przestrzenno-autoregresyjych w badaniach rozwoju regionalnego, Doctoral dissertation, University of Lodz.
Google Scholar
