Testing stochastic dominance with many conditioning variables
具有大量条件变量的随机占优检验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：摘要研究条件随机占优这一分布比较问题，并明确允许时间序列依赖及利用历史信息。
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…
具有大量条件变量的随机占优检验
- 研究问题
- 当协变量数量随样本增长且数据具有时间依赖时，如何检验条件一阶与二阶随机占优，并获得有效的检验临界值？
- 方法与思路
- 作者采用半参数位置尺度模型，以带阈值处理的 ℓ1 惩罚级数估计回归函数，结合残差经验分布及平滑平稳自助法。
- 材料陈述的贡献
- 摘要称，论文建立允许时间依赖的估计偏差界，提出条件随机占优检验，并通过模拟和组合收益应用展示其表现。
- 阅读关注点
- 应核对位置尺度结构与独立创新限制、协变量增长条件、级数及惩罚参数选择，以及自助法在原假设边界上的有效性。
- 阅读边界
- 依据所给 OpenAlex 摘要，模型限制、维度增长速度及检验表现的具体数值均未说明，也无法核对全文或刊本变化。
原文摘要
We propose tests of the conditional first- and second-order stochastic dominance in the presence of growing numbers of covariates. Our approach builds on a semiparametric location-scale model, where the conditional distribution of the outcome given the covariates is characterized by nonparametric mean and skedastic functions with independent innovations from an unknown distribution. The nonparametric regression functions are estimated by utilizing the ℓ1-penalized nonparametric series estimation with thresholding. Deviation bounds for the regression functions and series coefficients estimates are obtained allowing for the time series dependence. We propose test statistics, which are the maximum (integrated) deviation of a composite of the estimated regression functions and the residual empirical distribution, and introduce a smooth stationary bootstrap to compute p-values. We investigate the finite sample performance of the bootstrap critical values by a set of Monte Carlo simulations. Finally, our method is illustrated by an application to stochastic dominance among portfolio returns given all the past information.