Specification tests for covariance structures in high-dimensional statistical models
高维统计模型中协方差结构的设定检验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：摘要关注通用高维协方差设定检验，未明确说明金融波动率、因子结构或面板对象，不能仅凭协方差一词归类。
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…
高维统计模型中协方差结构的设定检验
- 研究问题
- 当目标随机向量须由估计模型导出、协方差设定还包含未知干扰参数时，如何构造考虑这些估计误差的高维设定检验？
- 方法与思路
- 作者在一般加性模型中使用残差的最大差异统计量，并提出专门调整的乘子自助法，将模型与干扰参数估计误差纳入校准。
- 材料陈述的贡献
- 摘要称理论分析揭示高维估计误差的影响并证明检验有效性，模拟和真实数据例子支持理论及展示所提检验的表现。
- 阅读关注点
- 应核对加性模型的结构、协方差原假设、最大差异的定义，以及乘子自助法调整如何覆盖不同来源的估计误差。
- 阅读边界
- 仅据所给 Crossref 摘要；维度增长、依赖结构及误差控制条件未说明，不能据此判断任意残差协方差检验的有效性或其他版本变化。
原文摘要
Summary We consider testing the covariance structure in statistical models. We focus on developing such tests when the random vectors of interest are not directly observable and have to be derived via estimated models. Additionally, the covariance specification may involve extra nuisance parameters which also need to be estimated. In a generic additive model setting, we develop and investigate test statistics based on the maximum discrepancy measure calculated from the residuals. To approximate the distributions of the test statistics under the null hypothesis, new multiplier bootstrap procedures with dedicated adjustments that incorporate the model and nuisance parameter estimation errors are proposed. Our theoretical development elucidates the impact due to the estimation errors with high-dimensional data and demonstrates the validity of our tests. Simulations and real data examples confirm our theory and demonstrate the performance of the proposed tests.