The Econometric Analysis of Non-Stationary Spatial Panel Data

این تک نگاری به سری های زمانی غیرایستا وابسته به فضایی می پردازد، به گونه ای که هم برای اقتصاد سنجی سری های زمانی که می خواهند اقتصاد فضایی را درک کنند و هم برای اقتصاد سنجی های فضایی فاقد مبنایی در تحلیل سری های زمانی قابل دسترسی است. پس از ترسیم مفاهیم کلیدی در هر دو سری زمانی و اقتصاد سنجی فضایی، این کتاب به این موضوع می پردازد که چگونه ماتریس اتصال فضایی را می توان با استفاده از داده های پانل فضایی به جای فرض اینکه به طور برون زا ثابت است، تخمین زد. این با بحثی در مورد ناایستایی فضایی در داده های مقطع فضایی، و توضیح کامل عدم ایستایی در هر دو زمینه تک معادله ای و چند معادله، از جمله تخمین و شبیه سازی مدل های خودرگرسیون برداری فضایی (VAR) و تصحیح خطای فضایی دنبال می شود. مدل های (ECM)
این کتاب متون مربوط به آزمون‌های ریشه واحد پانل و آزمون‌های هم انباشتگی پانل را برای داده‌های مستقل فضایی، و برای داده‌هایی که به شدت به مکانی وابسته هستند، مرور می‌کند. این برای اولین بار مقادیر حیاتی را برای آزمایش‌های ریشه واحد پانل و آزمون‌های هم‌انجماد پانل زمانی که داده‌های پانل فضایی ضعیف یا از نظر مکانی وابسته هستند ارائه می‌کند.
مجموعه با بحث در مورد گنجاندن وابستگی مکانی قوی و ضعیف در مدل‌های داده پانل غیر ثابت به پایان می‌رسد. همه بحث ها با آزمایش تجربی بر اساس داده های پانل فضایی قیمت خانه در اسرائیل همراه است.

This monograph deals with spatially dependent nonstationary time series in a way accessible to both time series econometricians wanting to understand spatial econometics, and spatial econometricians lacking a grounding in time series analysis. After charting key concepts in both time series and spatial econometrics, the book discusses how the spatial connectivity matrix can be estimated using spatial panel data instead of assuming it to be exogenously fixed. This is followed by a discussion of spatial nonstationarity in spatial cross-section data, and a full exposition of non-stationarity in both single and multi-equation contexts, including the estimation and simulation of spatial vector autoregression (VAR) models and spatial error correction (ECM) models.
The book reviews the literature on panel unit root tests and panel cointegration tests for spatially independent data, and for data that are strongly spatially dependent. It provides for the first time critical values for panel unit root tests and panel cointegration tests when the spatial panel data are weakly or spatially dependent.
The volume concludes with a discussion of incorporating strong and weak spatial dependence in non-stationary panel data models. All discussions are accompanied by empirical testing based on a spatial panel data of house prices in Israel.