近年来,空间面板数据模型在实证研究中得到广泛应用,得益于刻画扰动项中的截面相关性,空间误差模型备受青睐。然而,传统的面板数据空间误差模型对各截面系数施加了同质性的这一约束性很强的假设,在实证层面,政策实施者可能更加关注异质性影响,而基于同质性空间误差模型的系数估计量只是平均效应。在理论层面,错误识别各截面系数的种类可能会产生非一致和/或者非有效的估计量,进而影响统计推断和假设检验。因此,在运用传统空间误差模型之前,有必要对各截面斜率系数的同质性进行检验。另一方面,目前关于面板数据模型中截面斜率同质性检验的理论研究主要集中在扰动项具有自相关、异方差、由因子交互项导致的强截面相关三个方向,本文在扰动项具有由空间自回归结构产生的弱截面相关性的框架下,致力于检验截面系数同质性,可以进一步丰富截面同质性检验方面的理论研究。首先,本文将随机系数引入到传统的面板数据模型中,从而建立起各截面斜率具有异质性的空间误差模型,针对检验各截面系数的同质性的假设检验问题,进一步确立了原假设和备择假设,并构造了LM检验统计量,在正态、独立同分布的假设下,本文严格证明了LM检验统计量的极限分布是是自由度为解释变量个数的卡方分布,同时理论分析表明该LM检验统计量具有一定的局部检验功效。其次,本文放松了正态性的假设,将得分向量的方差协方差矩阵进行调整,从而构造了第一个稳健检验统计量LM1robust,并且基于White（1982）的拟极大似然估计理论,考虑到潜在的模型误设,构造了第二个稳健检验统计量LM2robust,进一步,本文给出了两个稳健检验统计量极限分布的证明思路。Monte Carlo模拟结果显示,第一,在空间误差模型的数据生成过程下,另外三种LM型检验统计量:BEA统计量（Breitung at al.,2016）、JL统计量（Juhl and Lugovskyy,2014）、SC统计量（Su and Chen,2013）的有限样本性质很差,而本文的LM检验统计量的Size和Power则表现得更为良好。第二,在正态情形下,无论是N>T还是T>N,本文的LM检验统计量的有限样本性质均表现良好,并且扰动项中更强的空间相关性会增加Power。第三,在非正态情形下,第二个稳健检验统计量LM2robust在短面板、长面板中的检验尺度扭曲都非常小,而LM、LM1robust在短面板中的实证Size与名义显著性水平具有明显的偏离,在长面板中,这种尺度偏离得到明显减小。并且,扰动项中的更强空间相关性会明显改善三个检验统计量在短面板中的Size表现。在正态情形下或者非正态情形下,无论是在N>T还是T>N时,很难区分LM、LM1robust、LM2robust三个检验统计量的Power优劣,三个检验统计量的Power随T增加的速度均比随N增加的速度要快。第四,在异方差的情形下,无论是N>T还是T>N时,第二个稳健检验统计量LM2robust的尺度扭曲都非常小,而LM、LM1robust的尺度扭曲非常大,但是,扰动项中更强的空间相关性会显著减小LM、LM1robust检验统计量的尺度扭曲。
暂无评论