2023年3月27日上午，世界计量经济学会会士、美国俄亥俄州立大学荣休教授、上海财经大学特聘教授Lung-fei Lee受我院“暨南论道”活动邀请，分享题为“Best linear and quadratic moments for spatial econometric models and an application to spatial interdependence patterns of employment growth in US counties”的合作研究文章，详细介绍了当随机扰动项为非正态分布时，如何得到网络和空间计量模型的GMM估计的最佳矩条件。讲座由我院副教授史炜主持。

Lung-fei Lee教授

当常规的正则条件下，空间自回归（SAR）等空间计量模型的ML和QML估计具有渐近一致性和正态性。然而，这个方法具有两个不足。首先，使用ML或QML度量网络或空间溢出效应时，参数空间需要明确规定。在诸如高阶SAR模型和SESAR模型之类的估计模型中，由于它们的空间效应系数的参数空间是复杂的，所以这个缺点变得明显并且更加严重。其次，ML和QML的计算成本通常较大，但是在GMM中可减少计算负担，并且在扰动分布不正态时比QML估计更渐近有效。

而在GMM估计中，矩条件的选择会影响其渐近方差从而影响估计的有效性。Lung-fei Lee教授提出，通过对线性二次矩方差矩阵进行分解，并重新表述GMM目标函数的梯度矩阵，应用Cauchy-Schwarz不等式得出方差下界，可以得到最佳的线性和二阶矩条件。

在实证部分，Lung-fei Lee教授使用2000-2010年美国县级人口普查数据，通过设定具有异方差和空间误差的高阶SARAR模型，研究了各县就业增长的关联性问题。考虑到地理空间、工业结构和政治倾向三个渠道的传导作用，模型中加入了空间相邻矩阵、地理距离权重矩阵、工业结构相似度矩阵和政治倾向相近度矩阵。结果发现，高阶SARAR模型的每个空间效应估计值小于其单个空间权重矩阵的相应估计；具有单一空间权重矩阵的经典SAR模型会通过吸收其他渠道的影响，高估特定通道的空间相互依赖性。与高阶SAR模型相比，经典SAR模型的平均网络直接效应（ADE）被略微低估（0.4%-0.8%）。然而，其平均网络间接效应（AIE）被严重低估，比高阶SARAR模型的AIE小约17%-90%，导致平均网络总效应（ATE）被低估了9%-45%。同时，高阶SARAR估计显著减少标准误差，在效率上优于其他估计方法。

在此次讲座中，Lung-fei Lee教授与参会人员积极互动，针对参会老师的问题做了简洁明确的解答，使参会人员更好地理解了该研究。

讲座现场