Google

Aviso: Se está a ler esta mensagem, provavelmente, o browser que utiliza não é compatível com os "standards" recomendados pela W3C. Sugerimos vivamente que actualize o seu browser para ter uma melhor experiência de utilização deste "website". Mais informações em webstandards.org.

Warning: If you are reading this message, probably, your browser is not compliant with the standards recommended by the W3C. We suggest that you upgrade your browser to enjoy a better user experience of this website. More informations on webstandards.org.

Trabalho Final de Mestrado

Ano Lectivo: 2019/2020
Aluno: LUDGERO MIGUEL CARRAÇA GLÓRIAS (51171)
Mestrado: Econometria Aplicada e Previsão
Tipo: Dissertação
Título do Trabalho Final de Mestrado: Estimating a Knowledge Production Function and Knowledge Spillovers: A new two-step estimation procedure of a Spatial Autoregressive Poisson Model
Sub Título:
Comentário: -
Instituição: -
Homologação: Dia 17/11/2020 às 10:32 por NUNO JOÃO DE OLIVEIRA VALÉRIO

Resumo

Vários estudos econométricos procuram explicar os determinantes da criação de conhecimento usando como variável dependente o número de patenteamentos numa região. Alguns destes procuram captar os efeitos de Knowledge Spillovers através de modelos lineares que incorporam dependência espacial. No entanto, nenhum estudo foi encontrado que captasse este efeito, tendo em atenção a natureza discreta da variável dependente. Este trabalho pretende preencher essa lacuna propondo um novo estimador de máxima verosimilhança a dois passos para um modelo Poisson Autorregressivo Espacial. As propriedades do estimador são avaliadas num conjunto de simulações de Monte Carlo. Os resultados sugerem que este estimador tem menor Bias e menor RMSE, na generalidade, que outros estimadores propostos, sendo que apenas mostra piores resultados quando a dependência espacial é próxima da unidade. Um exemplo empírico, empregando o novo estimador e um conjunto de estimadores alternativos, é realizado, sendo que a criação de conhecimento em 234 NUTS II de 24 países europeus é analisada. Os resultados evidenciam que existe uma forte dependência espacial na criação de inovação entre as regiões. Conclui-se também que o ambiente socioeconómico é essencial para o processo de formação de conhecimento e que contrariamente às instituições públicas, as empresas privadas são eficientes na produção de inovação. É de realçar, que regiões com menor capacidade em transformar despesas R&D em patenteamentos apresentam maior capacidade de absorção e segregação de conhecimento, evidenciando que regiões vizinhas menos eficientes na produção de conhecimento tendem a criar relações fortalecidas na partilha de conhecimento. (Português)

Several econometric studies seek to explain the determinants of knowledge production using as dependent variable the number of patents in a region. Some of these capture the effects of knowledge spillovers through linear models with spatial autorregressive term. However, no study has been found that estimates such effect while also considering the discrete nature of the dependent variable: a count variable.  
This essay aims to fill this gap by proposing a new Two-step Maximum Likelihood estimator for a Spatial Autorregressive Poisson model. The properties of this estimator are evaluated in a set of Monte Carlo Experiments. The simulation results suggest that this estimator presents lower Bias and lower RMSE than the alternative estimators proposed, only showing worse results when the spatial dependence is close to the unit. An empirical example, using the new estimator and a set of alternative estimators, is executed, where the creation of knowledge in 234 NUTS II from 24 European countries is analyzed. The results show that there is a strong spatial dependence on the creation of innovation. It is also concluded that the socio-economic environment is essential for the knowledge formation and, unlike public R&D institutions, private companies are efficient in producing innovation. It should be noted that regions with less capacity to transform R&D expenses into new patents, have greater capacity for absorption and segregation of knowledge, which shows that neighboring regions less efficient in the production of knowledge tend to create strong relations with each other taking advantage of the knowledge sharing process.
(Inglês)

Palavras-chave

Econometria espacial; Regressão de Poisson; Externalidades de conhecimento; Máxima Verosimilhança de informação limitada a dois passos. (Português)

Spatial Econometrics; Poisson Regression; Knowledge Spillovers;Knowledge Production; Two-Step Limited Information Maximum Likelihood (Inglês)

Resumo Alargado

Resumo.pdf (57KB)

Trabalho Final de Mestrado

TFM_EAP_Ludgero_Gl?rias_2020.pdf (1,6MB)

Data da Prova Pública

Data da Prova Pública: 15-12-2020 14:00
Voltar