CONSISTENT SPECIFICATION TESTING WITH NUISANCE PARAMETERS PRESENT ONLY UNDER THE ALTERNATIVE
仅在备择下存在干扰参数的一致设定检验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：摘要讨论一般统计模型的设定检验与函数空间理论，缺少所列具体领域的直接证据。
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
仅在备择下存在干扰参数的一致设定检验
- 研究问题
- 如何理解并扩展仅在备择假设下存在干扰参数的模型设定检验，使其与非参数检验具有统一的统计解释？
- 方法与思路
- 作者以参数与非参数拟合间的拓扑距离统一两类方法，将检验表述为 Banach 值随机元素问题，并应用中心极限定理与重对数律。
- 材料陈述的贡献
- 摘要称该统一视角可扩展干扰参数方法并联系人工神经网络，导出简单程序，用于判断何时值得采用更复杂的计算方法。
- 阅读关注点
- 应核对距离度量、函数空间与概率条件、干扰参数的处理方式，以及简单程序与复杂程序之间的具体决策依据。
- 阅读边界
- 所给 Crossref 摘要未说明完整检验构造与适用条件，并称两类方法在实验中互无支配，不能宣称某一方法普遍更优。
原文摘要
The nonparametric and the nuisance parameter approaches to consistently testing statistical models are both attempts to estimate topological measures of distance between a parametric and a nonparametric fit, and neither dominates in experiments. This topological unification allows us to greatly extend the nuisance parameter approach. How and why the nuisance parameter approach works and how it can be extended bear closely on recent developments in artificial neural networks. Statistical content is provided by viewing specification tests with nuisance parameters as tests of hypotheses about Banach-valued random elements and applying the Banach central limit theorem and law of iterated logarithm, leading to simple procedures that can be used as a guide to when computationally more elaborate procedures may be warranted.