Modelling spatial externalities in panel data: The Spatial Durbin model revisited *

The purpose of this paper is twofold. First, it extends the spatial Durbin model to panel data allowing for non‐spherical disturbances and proposes two alternative estimators based on ML techniques. While one of the estimators exhibits more degrees of freedom, the other is computationally less burdensome. Results from a Monte Carlo study reveal that both estimators have satisfactory small sample properties also in cases when the error structure is in effect spherical. Second, the paper demonstrates that conventional testing procedures may wrongly reject the existence of spatial externalities. In particular, it shows that the incidence of a type II error increases as the spatial weight matrix becomes denser. Este artículo tiene un doble objetivo. Primero, amplia el modelo espacial de Durbin a datos de panel, permitiendo perturbaciones no esféricas y propone dos estimadores alternativos basados en técnicas de aprendizaje automático (ML). Mientras que uno de los estimadores exhibe un mayor número de grados de libertad, el otro es menos problemático en cuanto a su cómputo. Los resultados de un estudio de Monte Carlo mostraron que ambos estimadores poseen propiedades satisfactorias en cuanto a pequeños muestreos, incluso en casos en los que la estructura del error es de hecho esférica. Segundo, el artículo demuestra que los procedimientos convencionales de ensayo podrían rechazar erróneamente la existencia de externalidades espaciales. En particular, se muestra que la incidencia en un error de tipo II aumenta a medida que la matriz ponderada espacial se vuelve más densa.