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.
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.
Chasco C., Le Gallo J. (2012), Hierarchy and spatial autocorrelation effects in hedonic models, “Economics Bulletin”, 32 (2), pp. 1474-1480.
Corrado L., Fingleton B. (2012), Where is the economics in spatial econometrics?, “Journal of Regional Science”, 52(2), pp. 210-239.
Dong G., Harris R. J. (2014), Spatial Autoregressive Models for Geographically Hierarchical Data Structures, “Geographical Analysis”.
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.
Getis A., Fischer M. M. (2010), Handbook of Applied Spatial Analysis: Software Tools, Methods and Applications, Springer.
Goldstein H. (2011), Multilevel statistical models, vol. 922, John Wiley & Sons.
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.
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.
Hoogland J., Boomsma A. (1998), Robustness studies in covariance structure modeling: An 14 overview and a meta-analysis, “Sociological Methods and Research”, 26(3).
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.
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.
Lottmann F. (2013), Spatial dependence in German labor markets, Doctoral dissertation, Humboldt-Universität zu Berlin, Wirtschaftswissenschaftliche Fakultät.
Olejnik A. (2009), Metodologia i zastosowania modeli przestrzenno-autoregresyjych w badaniach rozwoju regionalnego, Doctoral dissertation, University of Lodz.
