Efficient Maximum Likelihood Estimation of Spatial Autoregressive Models with Normal But Heteroskedastic Disturbances

Abstract

Standard-Nutzungsbedingungen:Die Dokumente auf EconStor dürfen zu eigenen wissenschaftlichen Zwecken und zum Privatgebrauch gespeichert und kopiert werden.Sie dürfen die Dokumente nicht für öffentliche oder kommerzielle Zwecke vervielfältigen, öffentlich ausstellen, öffentlich zugänglich machen, vertreiben oder anderweitig nutzen.Sofern die Verfasser die Dokumente unter Open-Content-Lizenzen (insbesondere CC-Lizenzen) zur Verfügung gestellt haben sollten, gelten abweichend von diesen Nutzungsbedingungen die in der dort genannten Lizenz gewährten Nutzungsrechte. The likelihood functions for spatial autoregressive models with normal but heteroskedastic disturbances have been derived [Anselin (1988, ch.6)], but there is no implementation of maximum likelihood estimation for these likelihood functions in general cases with heteroskedastic disturbances. This is the reason why less efficient IV-based methods, 'robust 2-SLS' estimation for example, must be applied if disturbance terms might be heteroskedastic. In this paper, we develop a new computer program for maximum likelihood estimation and confirm the efficiency of our estimator in cases with heteroskedastic disturbances, using Monte Carlo simulations. Terms of use: Documents in EconStor may

Influence of environmental policies on farmland prices in the Bretagne region of France

“…The heteroskedasticity of spatial autoregressive models has led to several discussions (Anselin, 1988;Kelejian and Prucha, 2007;Lesage and Pace 2009). Yokoi (2010) confirms the efficiency of ML estimation in cases with heteroskedastic disturbances using Monte Carlo simulations. Furthermore, some authors, such as Lesage and Pace (2009), have recently provided a new approach to reduce computational tasks and to construct maximum likelihood estimates in only a matter of minutes.…”