Efficient Tests Under a Weak Convergence Assumption
弱收敛假设下的检验效率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：摘要明确把单位根检验和参数稳定性检验列为应用，分别关联时间序列与结构变化；核心检验效率理论本身适用范围更广。
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
弱收敛假设下的检验效率
- 研究问题
- 若从数据某个函数的弱极限出发，在所有产生相同弱极限的模型上保持渐近有效的检验中，怎样界定并构造具有最优效率的检验？
- 方法与思路
- 作者先研究将极限随机元素视为已观测的检验问题，再把该问题中的高效检验应用于样本对应量，以构造原问题中的渐近高效检验。
- 材料陈述的贡献
- 摘要称，这一结果为多种既有检验提供更广的渐近效率解释，例子包括单位根、参数稳定性及弱工具变量下的回归系数检验。
- 阅读关注点
- 阅读全文时应核对检验类的界定、效率的具体准则，以及极限问题与样本问题之间的对应关系，再查看各示例中样本对应量和稳健化的构造。
- 阅读边界
- 效率结论限定于共享同一弱极限且保持渐近有效的检验类；摘要未说明具体效率准则、实现条件或有限样本表现，不能推广为无条件最优。
原文摘要
The asymptotic validity of tests is usually established by making appropriate primitive assumptions, which imply the weak convergence of a specific function of the data, and an appeal to the continuous mapping theorem. This paper, instead, takes the weak convergence of some function of the data to a limiting random element as the starting point and studies efficiency in the class of tests that remain asymptotically valid for all models that induce the same weak limit. It is found that efficient tests in this class are simply given by efficient tests in the limiting problem—that is, with the limiting random element assumed observed—evaluated at sample analogues. Efficient tests in the limiting problem are usually straightforward to derive, even in nonstandard testing problems. What is more, their evaluation at sample analogues typically yields tests that coincide with suitably robustified versions of optimal tests in canonical parametric versions of the model. This paper thus establishes an alternative and broader sense of asymptotic efficiency for many previously derived tests in econometrics, such as tests for unit roots, parameter stability tests, and tests about regression coefficients under weak instruments.