Hypothesis testing based on a vector of statistics
基于统计量向量的假设检验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：摘要研究通用的联合统计量检验，所列示例不足以确定具体经济学领域细分。
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…
基于统计量向量的假设检验
- 研究问题
- 如何联合利用多个统计量构造假设检验，并通过零假设模拟估计最小接受域检验的 p 值及其小样本表现？
- 方法与思路
- 作者先在零假设下模拟统计量向量，再估计其联合密度，据此计算最小接受域检验的 p 值，并研究估计的一致性。
- 材料陈述的贡献
- 摘要称在一定正则条件下所估计的 p 值具有一致性，并在自相关、正态性及信息矩阵模型误设检验中呈现适当水平和良好功效。
- 阅读关注点
- 应核对最小接受域的定义、联合密度估计方式、模拟次数与维度要求，以及一致性条件和小样本比较所采用的基准。
- 阅读边界
- 仅据所给出版社摘要，正则条件、密度估计细节及模拟数值均未说明；不能认定该程序对任意统计量组合都有良好表现。
原文摘要
This paper presents a new approach to hypothesis testing based on a vector of statistics. It involves simulating the statistics under the null hypothesis and then estimating the joint density of the statistics. This allows the p-value of the smallest acceptance region test to be estimated. We prove this p-value is a consistent estimate under some regularity conditions. The small-sample properties of the proposed procedure are investigated in the context of testing for autocorrelation, testing for normality, and testing for model misspecification through the information matrix. We find that our testing procedure has appropriate sizes and good powers.