Conditional Inference With a Functional Nuisance Parameter
含函数型干扰参数的条件推断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：摘要关注一般矩条件模型中的识别稳健条件检验，未指定因果、面板、时间序列或金融应用，现有文本不足以选择领域细分。
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…
关注这篇论文的作者
含函数型干扰参数的条件推断
- 研究问题
- 在不对识别状况施加假设的矩条件模型中，如何将识别相关的不确定性纳入检验，同时获得正确的渐近尺寸与强识别下的效率？
- 方法与思路
- 作者将假设检验表述为含无限维函数型干扰参数的问题，在高斯问题中构造其充分统计量，并据此提出条件检验和准似然比检验。
- 材料陈述的贡献
- 摘要称，条件检验对广泛模型和统计量具有均匀正确的渐近尺寸；所构造的准似然比检验在强识别下有效率，并在两个例子中表现良好。
- 阅读关注点
- 核对函数型干扰参数的含义、高斯问题中充分统计量与条件化方式，以及一般矩条件模型的均匀渐近有效性和强识别效率所需条件。
- 阅读边界
- 摘要未列出模型范围、近似高斯所需条件及两个比较例子的细节；不限制识别状况并不意味着检验无需其他统计假设。
原文摘要
This paper shows that the problem of testing hypotheses in moment condition models without any assumptions about identification may be considered as a problem of testing with an infinite‐dimensional nuisance parameter. We introduce a sufficient statistic for this nuisance parameter in a Gaussian problem and propose conditional tests. These conditional tests have uniformly correct asymptotic size for a large class of models and test statistics. We apply our approach to construct tests based on quasi‐likelihood ratio statistics, which we show are efficient in strongly identified models and perform well relative to existing alternatives in two examples.