Consistent model specification tests based on k -nearest-neighbor estimation method
基于k近邻估计的一致模型设定检验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：摘要核心是一般回归函数形式和遗漏变量检验，就业匹配应用未明确涉及所列因果、选择或网络模型，分类证据不足。
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
基于k近邻估计的一致模型设定检验
- 研究问题
- 如何使用k近邻方法检验参数回归的函数形式及遗漏变量，并在数据分布不均匀时改善检验的适用性？
- 方法与思路
- 作者构造k近邻设定检验，推导原假设分布，以野生自助法近似该分布，并另提出非参数遗漏变量检验统计量。
- 材料陈述的贡献
- 摘要称检验对光滑备择达到极小极大速率最优；模拟和博士就业匹配应用显示，k近邻较适合分析分布不均匀的数据。
- 阅读关注点
- 应核对邻居数量的选择、光滑备择类别和最优速率条件，并检查与核方法比较时带宽、邻居数及样本分布的设置。
- 阅读边界
- 仅据所给出版社摘要，无法判断具体检验条件与功效差异；应用和模拟中的比较不能证明k近邻在所有数据上更优。
原文摘要
We propose a simple consistent test for a parametric regression functional form based on k-nearest-neighbor (k-nn) method. We derive the null distribution of the test statistic and show that the test achieves the minimax rate optimality against smooth alternatives. A wild bootstrap method is used to better approximate the null distribution of the test statistic. We also propose a k-nn statistic which tests for omitted variables nonparametrically. Simulations and an empirical application using US economics new Ph.D. job market matching data show that the k-nn method is more appropriate than the kernel method to analyze unevenly distributed data.