CONSISTENT SPECIFICATION TESTING UNDER SPATIAL DEPENDENCE
空间依赖下的一致模型设定检验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。
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：摘要明确研究一般空间依赖下的设定检验，但没有给出网络连接或干扰机制，现有细分无法直接匹配，故暂不分类。
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
空间依赖下的一致模型设定检验
- 研究问题
- 当观测之间存在一般经济或社会空间依赖时，如何对回归函数进行非参数设定检验，并为复杂依赖结构提供有效推断？
- 方法与思路
- 作者提出级数型非参数检验，在新的平滑空间依赖条件下建立高维线性过程二次型的中心极限定理，并论证 bootstrap。
- 材料陈述的贡献
- 摘要称统计量渐近服从标准正态，方法涵盖多种参数及半参数空间依赖结构，并提供模拟与真实数据应用示例。
- 阅读关注点
- 应核对空间关系的定义、新依赖条件的可检验含义、级数维数增长要求，以及 bootstrap 如何保留样本中的空间依赖。
- 阅读边界
- 仅据所给 Crossref 摘要版本，无法确定平滑空间依赖条件、具体应用数据和检验功效，也不能推断其适用于任意网络。
原文摘要
We propose a series-based nonparametric specification test for a regression function when data are spatially dependent, the “space” being of a general economic or social nature. Dependence can be parametric, parametric with increasing dimension, semiparametric or any combination thereof, thus covering a vast variety of settings. These include spatial error models of varying types and levels of complexity. Under a new smooth spatial dependence condition, our test statistic is asymptotically standard normal. To prove the latter property, we establish a central limit theorem for quadratic forms in linear processes in an increasing dimension setting. Finite sample performance is investigated in a simulation study, with a bootstrap method also justified and illustrated. Empirical examples illustrate the test with real-world data.