Simple and powerful GMM over-identification tests with accurate size
尺寸准确且具有功效的简便 GMM 过度识别检验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：摘要讨论通用 GMM 过度识别检验，异方差和自相关本身不足以确定具体领域。
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
尺寸准确且具有功效的简便 GMM 过度识别检验
- 研究问题
- 面对未知形式的异方差与自相关，如何修正 GMM 过度识别检验，使其有限样本拒绝概率更接近名义水平并保持功效？
- 方法与思路
- 作者基于级数长期方差估计，在级数项数固定时修正常规 J 统计量并采用渐近 F 分布，再将 F 近似扩展到核方法。
- 材料陈述的贡献
- 摘要称，固定级数项数下修正统计量渐近服从 F 分布；模拟中的 J* 检验几乎没有尺寸扭曲，同时具有与标准 J 检验相当的功效。
- 阅读关注点
- 应核对有限样本修正公式、F 分布自由度、级数项数或核带宽选择，以及模拟中尺寸准确性与功效比较的基准。
- 阅读边界
- 仅据所给出版社摘要，无法判断完整正则条件与具体模拟设计；几乎无尺寸扭曲是所报告模拟结果，不能作为任意样本下的保证。
原文摘要
Based on the series long run variance estimator, we propose a new class of over-identification tests that are robust to heteroscedasticity and autocorrelation of unknown forms. We show that when the number of terms used in the series long run variance estimator is fixed, the conventional J statistic, after a simple correction, is asymptotically F-distributed. We apply the idea of the F-approximation to the conventional kernel-based J tests. Simulations show that the J∗ tests based on the finite sample corrected J statistic and the F-approximation have virtually no size distortion, and yet are as powerful as the standard J tests.