Testing Heteroskedasticity Under Measurement Error
测量误差下的异方差检验AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究一般回归中的测量误差与异方差检验，未提供所列经济学细分的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
测量误差下的异方差检验
- 研究问题
- 当回归自变量含有测量误差时，如何检验异方差，并在误差分布已知或通过重复测量估计的情况下获得有效临界值？
- 方法与思路
- 作者借鉴积分条件矩方法，构造反卷积残差标记经验过程；未知误差分布时利用重复测量，并分别设计两种乘子自助法。
- 材料陈述的贡献
- 摘要称，论文建立普通光滑与超光滑误差情形的渐近性质，自助法处理参数估计效应，并用模拟及玉米产量、家庭预算份额数据演示。
- 阅读关注点
- 应核对误差光滑程度对应的渐近条件、重复测量要求、反卷积调节参数，以及两种自助法如何处理参数估计带来的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明检验尺寸、功效数值及完整误差假设，不能据此判断各场景表现。
原文摘要
In this paper, we propose a novel approach to detect heteroskedasticity in regression models with regressors contaminated by measurement error. Specifically, inspired by the integrated conditional moment (ICM) approach, we construct test statistics based on a deconvolved residual-marked empirical process and establish their asymptotic properties in both ordinary smooth and supersmooth cases, assuming the measurement error distribution is known. The issue of an unknown measurement error distribution is addressed by employing estimators of the measurement error characteristic function based on repeated measurements. Furthermore, depending on whether the measurement error distribution is known or not, to obtain critical values from the case-dependent limiting null distributions, we propose two computationally attractive multiplier bootstrap methods where the "parameter estimation effect" is successfully addressed. Finally, simulation results and empirical studies about corn yields and household budget shares confirm the favorable properties of the proposed tests.