基于贝叶斯空间Durbin模型的区域收入增长收敛性研究

发布时间：2017-10-17 04:03

  本文关键词：基于贝叶斯空间Durbin模型的区域收入增长收敛性研究

  更多相关文章： 空间Durbin模型 收入收敛 贝叶斯分析 空间相依性 空间异质性

【摘要】：收入增长是经济发展永远不变的主题,一直处于高速发展的中国经济,使得各地区的收入迅速提高。但随着全国经济的快速增长,各地区间的收入增长差距反而在进一步扩大,严重影响了我国经济的协调全面发展。收入增长差距问题不仅成为人们讨论的热点,而且已经成为经济领域研究的一个焦点。对我国区域收入增长收敛性进行研究,不仅仅是为了更好的了解我国各地区经济发展的总体现况以及发展趋势。更深层次的意义是,可以通过分析研究得到影响我国区域经济增长的各种因素,由此可以为我国制定科学的经济发展政策提供参考依据。2014年是中国经济进行全面深化改革的元年,只有深刻了解当前中国经济发展的具体状况,才能够为我国经济的长远、协调发展制定科学合理的长期战略政策,使得对我国各地区收入增长收敛性的研究尤为重要。研究区域收入增长收敛性问题时,论文引入空间Durbin模型,充分考虑了各地区间的空间溢出效应。针对模型参数估计不确定性问题,构建了贝叶斯空间Durbin模型。通过对模型进行结构分析,选择了适当的参数先验分布,并且设计相应的MH-Gibbs混合抽样算法,然后进行参数估计。通过用参数迭代轨迹图和Geweke收敛诊断图证明了用MCMC抽样方法得到的Markov链是平稳收敛的,并且参数的边缘后验分布核密度估计曲线都比较平滑。同时论文利用中国各地区数据,构造贝叶斯空间Durbin模型,对我国区域收入增长收敛性问题进行了实证分析。研究表明,参数的迭代轨迹收敛,MH-Gibbs混合抽样算法能够准确地估计模型中各参数,证明了贝叶斯空间Durbin模型的有效性。此外,中国各地区的收入不存在σ收敛,但存在条件β收敛,初始年份的人均收入与经济增长成负相关,各地区的经济增长存在空间相依现象。所研究的样本期间,一个地区经济的发展,对相邻地区经济发展的直接效应值为负、间接效应值为正,且都统计显著,说明各区域收入之间存在溢出效应。
【关键词】：空间Durbin模型 收入收敛 贝叶斯分析 空间相依性 空间异质性
【学位授予单位】：湖南大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F224;F126.2
【目录】：

• 摘要5-6
• Abstract6-12
• 第1章 绪论12-22
• 1.1 选题背景及研究意义12-13
• 1.1.1 选题背景12-13
• 1.1.2 研究意义13
• 1.2 文献综述13-19
• 1.2.1 收入增长收敛性研究综述13-15
• 1.2.2 空间计量Durbin模型研究综述15-17
• 1.2.3 贝叶斯理论计量模型算法研究综述17-19
• 1.3 研究思路与研究内容19-22
• 1.3.1 研究思路19-21
• 1.3.2 研究内容21-22
• 第2章 收入增长理论与Durbin模型22-45
• 2.1 收入增长收敛的基本理论22-24
• 2.1.1 收入增长收敛的概念22-23
• 2.1.2 收入增长收敛的主要特征23-24
• 2.2 空间计量模型24-31
• 2.2.1 空间滞后模型25
• 2.2.2 空间误差模型25-26
• 2.2.3 空间Durbin模型26-30
• 2.2.4 空间Durbin模型的直接效应和间接效应30-31
• 2.3 空间权重矩阵选择31-34
• 2.3.1 基于边界的空间权重矩阵32-33
• 2.3.2 基于地理距离的空间权重矩阵33
• 2.3.3 基于经济距离的空间权重矩阵33-34
• 2.4 空间Durbin模型估计方法34-45
• 2.4.1 极大似然估计方法34-36
• 2.4.2 贝叶斯估计方法36-45
• 第3章 贝叶斯空间Durbin模型分析45-55
• 3.1 贝叶斯空间Durbin模型的构建45-49
• 3.1.1 空间Durbin模型结构分析45-47
• 3.1.2 空间Durbin模型的贝叶斯推断47-49
• 3.2 贝叶斯因子分析49-51
• 3.2.1 贝叶斯因子的定义49-50
• 3.2.2 贝叶斯因子的计算过程50-51
• 3.3 贝叶斯空间Durbin模型仿真分析51-55
• 3.3.1 仿真实验设计52
• 3.3.2 仿真结果分析52-55
• 第4章 收入增长收敛性实证研究55-65
• 4.1 变量与样本数据选取55-59
• 4.1.1 变量选择与研究假设55-56
• 4.1.2 样本选取与统计特征分析56-59
• 4.2 贝叶斯空间Durbin模型实证分析59-64
• 4.2.1 收入增长贝叶斯空间Duibin模型设定59
• 4.2.2 参数估计收敛性诊断分析59-62
• 4.2.3 模型参数估计结果分析62-64
• 4.3 结果分析64-65
• 结论65-67
• 参考文献67-74
• 致谢74-75
• 附录A 攻读学位期间所发表的学术论文目录75

【相似文献】

中国期刊全文数据库 前10条

1 刘乐平;高磊;卢志义;;贝叶斯身世之谜——写在贝叶斯定理发表250周年之际[J];统计研究;2013年12期

2 云连英;汪荣伟;;保费调整的贝叶斯方法[J];统计与决策;2006年05期

3 游顶云;李康;;贝叶斯网络方法在基因调控研究中的应用[J];中国卫生统计;2009年01期

4 闵素芹;李群;;分层线性模型中的经验贝叶斯与完全贝叶斯方法及其比较[J];统计与决策;2010年11期

5 胡春玲;;贝叶斯网络研究综述[J];合肥学院学报(自然科学版);2013年01期

6 丁以华;;贝叶斯方法的发展及其存在问题[J];质量与可靠性;1986年01期

7 吴伯贤;;贝叶斯方法在洪水频率分析中的应用[J];成都科技大学学报;1990年01期

8 陶波;苏德清;王玲玲;费鹤良;;关于元件失效率等级鉴定试验的一种贝叶斯方法[J];应用概率统计;1990年03期

9 张尧庭;应积极开展对贝叶斯学派的介绍和研究[J];统计研究;1992年04期

10 郑骏;随机方法与贝叶斯方法在高新技术中的应用[J];软科学;1995年01期

中国重要会议论文全文数据库 前10条

1 David Z.D'Argenio;;贝叶斯方法在实验室研究向临床的转化以及辨识隐含亚群体中的应用(英文)[A];中国药理学会临床药理学专业委员会会议暨第十次全国临床药理学学术会议论文集[C];2007年

2 姜峰;高文;姚鸿勋;;贝叶斯网络的推理和学习[A];全国网络与信息安全技术研讨会'2005论文集（下册）[C];2005年

3 丁东洋;刘希阳;;风险分析中的稳健贝叶斯方法[A];2011年全国电子信息技术与应用学术会议论文集[C];2011年

4 周桃庚;沙定国;;贝叶斯可靠性序贯验证试验方法[A];中国仪器仪表学会第三届青年学术会议论文集（下）[C];2001年

5 陈晓怀;程真英;刘春山;;动态测量误差的贝叶斯建模预报[A];第二届全国信息获取与处理学术会议论文集[C];2004年

6 杜鹏英;罗小平;何志明;;贝叶斯网络的发展及理论应用[A];第三届全国虚拟仪器大会论文集[C];2008年

7 杨丽;武海滨;李康;;无金标准诊断试验评价的贝叶斯方法及应用[A];2011年中国卫生统计学年会会议论文集[C];2011年

8 宁鹏达;;贝叶斯方法在风险投资项目决策中的应用[A];第四届中国科学学与科技政策研究会学术年会论文集（Ⅰ）[C];2008年

9 朱永生;;贝叶斯方法确定泊松变量的置信上限[A];中国物理学会高能物理分会第七届学术年会实验分会场论文集[C];2006年

10 王增忠;柳玉杰;施建刚;;建筑工程项目全寿命安全管理决策的贝叶斯方法[A];中国优选法统筹法与经济数学研究会第七届全国会员代表大会暨第七届中国管理科学学术年会论文集[C];2005年

中国博士学位论文全文数据库 前10条

1 阚英男;基于网格近似法的数控机床贝叶斯可靠性评估研究[D];吉林大学;2015年

2 翟胜;基于贝叶斯网络的复杂系统可靠分析方法研究与应用[D];天津工业大学;2016年

3 刘瑞;基于贝叶斯网络的洪水灾害风险评估与建模研究[D];华东师范大学;2016年

4 张润梅;基于贝叶斯网络的复杂系统因果关系研究[D];合肥工业大学;2015年

5 李艳颖;贝叶斯网络学习及数据分类研究[D];西安电子科技大学;2015年

6 贾海洋;贝叶斯网学习若干问题研究[D];吉林大学;2008年

7 黄友平;贝叶斯网络研究[D];中国科学院研究生院（计算技术研究所）;2005年

8 朱允刚;贝叶斯网学习中若干问题研究及其在信息融合中的应用[D];吉林大学;2012年

9 董立岩;贝叶斯网络应用基础研究[D];吉林大学;2007年

10 李小琳;面向智能数据处理的贝叶斯网络研究与应用[D];吉林大学;2005年

中国硕士学位论文全文数据库 前10条

1 张路路;贝叶斯网络系统可靠性分析及故障诊断方法研究[D];山东建筑大学;2015年

2 徐冰;基于贝叶斯网络的传染病时空预警模型研究[D];长安大学;2015年

3 李艳强;基于不确定理论的酸洗线和镀锌线的视情维修策略研究[D];河北工程大学;2015年

4 王芸;贝叶斯AGARCH模型在我国商业银行利率风险度量中的应用[D];南京财经大学;2015年

5 侯欢欢;基于贝叶斯网络城市埋地燃气管线风险评价研究[D];首都经济贸易大学;2015年

6 王宇;贝叶斯参数更新在可靠性分析中的应用[D];南京航空航天大学;2014年

7 李福伟;贝叶斯压缩感知理论与技术[D];电子科技大学;2015年

8 李景囡;基于依赖分析的贝叶斯网络结构学习算法研究[D];西安电子科技大学;2014年

9 杨祥睿;基于贝叶斯网络的船撞桥风险评估研究[D];重庆交通大学;2015年

10 汤玉利;贝叶斯反问题的MAP估计及其一致性[D];上海交通大学;2015年

，

本文编号：1046661