空间自回归（SAR）模型的最大似然估计.docxVIP

空间自回归（SAR）模型的最大似然估计

一、引言

在社会科学与自然科学的诸多研究领域，样本独立同分布的经典假设往往与现实存在明显差距。早在几十年前，地理学家就提出了影响深远的地理学第一定律，指出所有事物之间都存在关联，距离越近的事物关联强度越高（Tobler，1970）。这种普遍存在的关联不仅存在于地理空间中，也存在于社会网络、产业关联、人际互动等各类非地理空间场景中：相邻地区的房价会联动上涨，关联产业的产出会协同波动，社交网络中朋友的消费行为会互相影响，跨区域的污染会随着气流和水流扩散到周边行政区。如果在实证研究中忽略这种单元之间的交互效应，不仅会损失重要的规律信息，还会导致传统估计方法出现系统性偏差。

空间自回归模型，也就是通常所说的空间滞后模型，是刻画这类单元间被解释变量交互效应的最基础、应用最广泛的空间计量模型，而最大似然估计方法是最早为SAR模型设计、理论体系最成熟、应用最普遍的参数估计方法。从最早提出适用于空间过程的似然函数框架，到后来解决大样本计算、小样本偏差校正、稳健推断等一系列关键问题，SAR模型的最大似然估计方法经过近半个世纪的发展，已经形成了完整的理论与应用体系，成为空间计量方法论体系的核心基石。本文将从SAR模型的理论内核出发，沿着从基础逻辑到实现路径、从统计性质到实践校准的递进脉络，系统解析SAR模型最大似然估计的完整框架，厘清应用过程中的常见误区，为相关