Testing Conditional Stochastic Dominance via Copula Derivatives
利用 Copula 导数检验条件随机占优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：摘要以相同协变量值下的条件分布比较及一阶随机占优为核心，并提供区域上的同时推断，直接对应分位数与分布效应方向。
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
利用 Copula 导数检验条件随机占优
- 研究问题
- 当两个人群的协变量边际分布不同，如何在相同实际协变量取值下比较整片区域的条件分布，并对一阶随机占优作同时推断？
- 方法与思路
- 作者通过群体特定边际与拟合 Copula 导数连接条件分布，构造未知约束生效位置下的单侧统计量，并传播边际与依赖估计误差。
- 材料陈述的贡献
- 摘要称，在正确设定的有限 Copula 类等条件下可实现一致校准与统一控制；模拟同时显示模型选择敏感性和小样本尺寸失真。
- 阅读关注点
- 应核对正确设定、唯一最优候选族及修剪条件，以及双方向判据、多重检验调整和 PSID 描述性比较的具体含义。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要结论依赖明确的模型结构，未说明误设下保证，应用亦不能解释为因果效应。
原文摘要
Comparing two populations at the same physical covariate value requires more than conditional means or isolated target-point decisions: researchers may need evidence about an entire conditional-distribution ordering over a continuum, even when covariate margins differ. This paper makes that common-value comparison estimable under an explicit structure--flexibility tradeoff and turns the resulting surface into simultaneous evidence for first-order stochastic dominance. Population-specific margins map the common covariate value into each group, while a fitted copula-derivative representation links conditional distributions across the region. Uniform inference propagates uncertainty from both the margins and dependence model through a one-sided statistic with unknown binding locations. Under correct specification within a finite copula class, smoothness and trimming conditions, and a uniquely best candidate family, the procedure admits uniform control and consistent calibration. Simulations show increasing rejection as alternatives become more distinguishable, alongside model-selection sensitivity and small-sample size distortion. In a descriptive PSID application, the high--low parental-education comparison satisfies the two-direction criterion after multiplicity adjustment, whereas adjacent education-group comparisons remain inconclusive. The framework therefore supports region-wide distributional comparison while making its structural and inferential boundaries explicit.