Spatially-dependent FDI

依赖于空间的外国直接投资

In general, one would be interested in fitting data with a spatial model for one of two reasons. First, a spatial autocorrelation or ‘‘spatial error’’ model places additional structure on the unobserved determinants of FDI that would otherwise be captured by the traditional error term. Second, and of particular interest in examining connections to the MNE motivations discussed above, the estimation of a spatial autoregressive or ‘‘spatial lag’’ model accounts directly for relationships between dependent variables that are believed to be related in some spatial way. As such, these methods allow the data to reveal patterns of substitution or complementarity, as well as the strength of any such patterns, through the estimated spatial lag coefficient. For our purposes, the spatially-treated error structure is of secondary interest because although it may improve standard errors where estimation errors are spatially dependent, it does not affect point estimates. In addition, it is silent with respect to evidence of the substitution or complementarity of FDI across countries and therefore does not inform theory. In any case, we find little evidence of spatial errors in our data.

一般情况下,总会有二个原因之一的理由（P.S.这里是否应该为one or two reasons, 解释为一个到二个理由？）才会对一个具有空间模型的数据拟合感兴趣。首先,空间自相关或者“空间误差”往往附有一些FDI所不可察觉的因素，负责将会导致为传统的误差项。其次，就我们上述提到这些对估算的特别兴趣与MNE（跨国企业）的动机相关联，就空间的自回归模型或空间延迟模型(Spatial Lag Model)的估算直接归因于因变量，这些因变量被认为是与某些空间模式相关的。就因为这样,这些方法通过已估计的空间滞后系数使得数据显示其替代或补充模式，以及这些模式的优势。就我们的目的而言，这些被看为空间误差模型体系只是次要因素（兴趣），那是因为虽然它可能会改进标准误差（这些误差是依赖于空间的估算误差的），但是不会影响起点推定值。此外， 它被默认为是关于FDI来往于国与国之间的替代或补充的证明，因此不归于理论问题。在任何情况下,我们很少在我们的数据中找到空间误差的证据。

A modified gravity model

改良的引力模式

To examine the impact of spatial correlations on statistical inference, we begin with a specification that generally encompasses those used in prior work by researchers considering determinants of cross-country FDI activity. To this end, we begin with a ‘‘gravity’’ specification, which is arguably the most widely used empirical specification of FDI (e.g., Eaton and Tamura, 1994; Brainard, 1997; Blonigen and Davies, 2004), and modify it based on the recent literature to include variables measuring skill endowments and the market potential of countries proximate to the host. In particular, where all nondiscrete variables are measured in natural logs, our specification is

FDI =a0 +a1 Host Variables +e

where FDI is an n*1 vector with row j equal to FDI from the US (the parent country) to host country j. Despite the fact that (1) is estimated on a panel of countries, we ignore time subscripts for notational purposes. We specify our model in log-linear form because, as documented by Blonigen and Davies (2004), such a model leads to well-behaved residuals given the skewness common to FDI data. Such a log-linear model also allows for interactions of the underlying linear forms of the variables, as found in Carr et al. (2001) and Markusen and Maskus (2002).

为检测关于统计推断(统计推断Statistical inference就是根据样本的实际数据，对总体的数量特征作出具有一定可靠程度的估计和判断。统计推断的基本内容有参数估计和假设检验两方面。)的空间相关，我们开始有了规格说明。这种规格说明一般涵盖了所有被用于考虑着多国外国直接投资活动的决策的研究人员的先有技术。为了这个目的，我们以“比重”作为开始，这个比重可从最广泛使用的FDI的经验模式得以明确的证实（例如Eaton和Eaton and Tamura（1994），Brainard（1997）以及Blonigen 和 Davies,（2004）），并其改良是依据近期文献，就包括人才状况、东道主邻国的市场潜力的变量进行修正改良。特别的是，所有这些非离散变量是都是以原始的方法测量的。我们的计算模型是：FDI =a0 +a1 Host Variables +e

其中，行J FDI是矢量n*1，等于来自美国（母国，即投资主体（MNE跨国企业）的母公司所在地）到东道主国家J的FDI。（P.S. 个人认为这里应该有个表格的吧，资料不够齐全，翻译可能会有些出入） 尽管这个事实被很多国家得以证实，为了预期的目的，我们忽略时间下标。我们对数线性形式(Log-Linear Form)设定我们的模型，这如Blonigen和Davies (2004)所证实的，这是因为这样的模型会带来良性的剩余误差，这种误差是由FDI数据所引起的普遍非对称性的。Carr et al. (2001) ，Markusen 和Maskus (2002)也提到这种对数线性模型(Log-Linear Model)也会导致变量的潜在线性形式的相互作用。

统计学是关于认识客观现象总体数量特征和数量关系的科学。

它是通过搜集、整理、分析统计资料，认识客观现象数量规律性的方**科学。

由于统计学的定量研究具有客观、准确和可检验的特点，所以统计方法就成为实证研究的最重要的方法，广泛适用于自然、社会、经济、科学技术各个领域的分析研究。

扩展资料：

统计学是一门很古老的科学，一般认为其学理研究始于古希腊的亚里士多德时代，迄今已有两千三百多年的历史。它起源于研究社会经济问题，在两千多年的发展过程中，统计学至少经历了“城邦政情”、“政治算数”和“统计分析科学”三个发展阶段。

所谓“数理统计”并非独立于统计学的新学科，确切地说，它是统计学在第三个发展阶段所形成的所有收集和分析数据的新方法的一个综合性名词。概率论是数理统计方法的理论基础，但是它不属于统计学的范畴，而是属于数学的范畴。

统计学（statistics）：收集、处理、分析、解释数据并从数据中得出结论的科学。

描述统计（descriptive statistics）：研究数据收集、处理和描述的统计学方法。

推断统计（inferential statistics）：研究如何利用样本数据来推断总体特征的统计学方法。

变量（variable）：每次观察会得到不同结果的某种特征。

分类变量（categorical variable）：观测结果表现为某种类别的变量。

顺序变量（rank variable）：又称有序分类变量，观测结果表现为某种有序类别的变量。

数值型变量（metric variable）：又称定量变量，观测结果表现为数字的变量。

均值（mean）：均值也就是平均数，有时特指算术平均数，这是相对其他方式计算的均值，求法是先将所有数字加起来，然后除以数字的个数，这是测量集中趋势，或者说平均数的一种方法。

中位数（median）：也就是选取中间的数，要找中位数，首先需要从小到大排序，排序后，再看中间的数字是什么。

众数（mode）：众数也就是数据集中出现频率最多的数字。

任何统计方法是有效的只有当这个系统或是所讨论的母体满足方**的基本假设。误用统计学可能会导致描述面或是推论面严重的错误，这个错误可能会影响社会政策，医疗实践以及桥梁或是核能发电计划结构的可靠性。

即使统计学被正确的应用，结果对于不是专家的人来说可能会难以陈述。举例来说，统计资料中显著的改变可能是由样本的随机变量所导致，但是这个显著性可能与大众的直觉相悖。人们需要一些统计的技巧（或怀疑）以面对每天日常生活中透过引用统计数据所获得的资讯。

在具体进行取样时，必须根据研究目的的不同，选择不同的取样方法。

①单纯随机取样法先把每个个体编号，然后用抽签的方式从总体中抽取样本。这种方法适用于个体间差异较小、所需抽选的个体数较少或个体的分布比较集中的研究对象。

②分区随机取样法将总体随机地分成若干部分，然后再从每一部分随机抽选若干个体组成样本。这种抽样法可以更有组织地进行，而且中选的个体在总体的分布比单纯随机取样更均匀。

③系统取样法先有系统地将总体分成若干组，然后随机地从第一组决定一个起点，如每组15个元素，决定从第一组的第13个元素选起，那么以后选定的单位即28，43，58，73等等。

④分层取样法根据对总体特性的了解，把总体分成若干层次或类型组，然后从各个层次中按一定比例随机抽选。这种方法的代表性好，但若层次划分得不正确，也不能获得有高度代表性的样本。

参考资料：