传统的统计学考虑变量间的结构关系,如两变量的相关系数等,但并不重视变量间的空间相依关系。例如面板数据,当确定某个观测个体后,我们有这个个体的一个时间序列数据。我们考虑每个时间序列中某时刻的观测、误差、误差的方差等与以前时刻相应观测值之间的联系,创立了经典的时间序列分析,其中包括AR模型、MA模型、ARCH模型等重要的时间序列模型,它们对解释同一变量在时间上的相依性和相关的预测上起到了重要作用。随着社会经济和理论研究的发展,越来越多的文献和研究注意到变量的空间相依性上。例如相邻两个地区的经济、社会发展有无类似或相反的特性等,或者说具有类似性质(或相反性质)的变量有没有聚集或者发散的趋势。对面板数据而言,当时间停留在某一时刻之后,我们得到的不是一个时间序列数据,而是所有变量在特定时刻的观测值。空间统计学研究的兴趣就在于发掘这些观测值之间是否存在空间的相依性和探索这种相依性到底有多大。空间统计学与传统的统计学最大的区别在于引入了“邻近性”的概念,并用数值方法刻画出相邻关系的紧密程度。邻近性具有狭义和广义的区别[32]。狭义的邻近可以指空间的邻近;广义的邻近可以是某种属性的邻近。在空间计量经济学中,我们通常利用一个空间权重矩阵表示空间的相邻性。类似于时间序列分析中的自回归、移动平均模型,空间统计学中主要的三种模型是空间自回归(SAR)、空间移动平均(SMA)和空间误差成分模型(SEC),后者是最近由Kelejian和Robinson(1998)[16]提出的。在前人研究的基础上,我们在本文中提出了一类误差具有空间相依结构的面板数据一阶自回归模型,并给出了相应的两步参数估计方法。第二步中估计空间相关性系数的估计方法利用了Kelejian和Prucha(1999)[14]的空间模型的广义矩估计方法(GMM)。本文中我们还给出大样本长时间及小样本长时间的面板数据蒙特卡洛模拟的R程序和计算结果,并与普通最小二乘估计的结果对比,证明了普通最小二乘在模型的解释变量具有空间相依性的情况下对参数的估计失效。我们还发现在标准差较小和较大时,GMM方法会失效。本文内容安排如下:在引言中我们简要介绍了空间统计学及其显著的特点;第一章中主要介绍了空间计量经济学中最常用的三种模型;第二章我们提出了误差具有空间相依结构的面板一阶自回归模型,并概述了面板数据分别在具有空间相关性和无空间相关性时的单位根检验方法,简述了一些对空间自相关回归模型的参数估计方法;第三章给出了对所提出模型的参数估计的蒙特卡洛结果,证明了较大、较小方差下GMM估计失效及普通最小二乘在估计具有空间相关的解释变量的系数会失效;在附录中给出了模型参数估计、模型显著性检验及对比最小二乘与GMM的R程序。