Testing for correct model specification in copula regression models
Copula 回归模型设定正确性的检验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：摘要讨论半参数 copula 回归的拟合优度检验与渐近理论，属于计量方法与统计推断，未直接涉及所给领域细分中的因果推断、面板、时间序列、资产定价等具体应用方向，故证据不足，留空。
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
Copula 回归模型设定正确性的检验
- 研究问题
- 研究问题：如何检验半参数 copula 回归模型的设定是否正确，尤其是参数化 copula 族选择是否恰当，而非直接检验 copula 模型本身。
- 方法与思路
- 方法思路：作者提出在诱导回归函数层面构造真实回归函数与其在假定 copula 回归模型内最佳逼近之间的加权 L² 距离，给出基于核的估计量，并证明其在原假设与固定备择下的一致性与渐近正态性。
- 材料陈述的贡献
- 摘要所述贡献：提出该加权 L² 距离的核估计量并给出渐近性质，据此构造经典设定检验，并利用自归一化序贯统计量构造枢轴置信区间与针对相关偏离的检验；模拟显示水平近似准确且功效良好。
- 阅读关注点
- 阅读时应核对：加权 L² 距离与最佳逼近的精确定义、核估计量的带宽与正则条件、渐近正态性所需假设、自归一化序贯统计量的构造与临界值，以及模拟中数据生成过程与经验水平、功效的具体表现。
- 阅读边界
- 摘要信息的边界：仅凭摘要无法判断估计量在有限样本下的稳健性、带宽选择敏感性、高维情形的实际可行性，也无法核实模拟数值与证明细节；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
We propose a goodness-of-fit test for semiparametric copula regression models. Such models express the regression function in terms of marginal distribution functions and copula densities and therefore provide a flexible way to avoid fully nonparametric estimation in high-dimensional regression problems. Their performance, however, depends crucially on the specification of the parametric copula family. Instead of testing the copula model itself, we assess misspecification directly at the level of the induced regression function. To this end, we introduce a weighted $L^2$-distance between the true regression function and its best approximation within the postulated copula regression model. A kernel-based estimator of this distance is proposed and shown to be consistent and asymptotically normal under both the null hypothesis of correct specification and fixed alternatives. We derive a classical specification test and, using a self-normalized sequential statistic, construct pivotal confidence intervals and tests for relevant deviations from the model. Finite-sample simulations demonstrate accurate level approximation and good power properties of the proposed procedures.