HIGH-DIMENSIONAL NEWEY–POWELL TEST VIA APPROXIMATE MESSAGE PASSING
通过近似消息传递实现高维 Newey–Powell 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：摘要核心是通用高维异方差检验，期望分位数回归的使用不足以归为分位数与分布效应。
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…
通过近似消息传递实现高维 Newey–Powell 检验
- 研究问题
- 在样本量与维度之比趋于零到一之间常数的高维环境中，如何扩展 Newey–Powell 异方差检验并刻画其功效？
- 方法与思路
- 作者使用期望分位数回归构造高维检验，在样本量与参数维度同比例增长的渐近框架下，借助近似消息传递分析统计量。
- 材料陈述的贡献
- 摘要称获得检验的极限分布并建立渐近功效，通过模拟评估数值表现；增长与超市数据应用分别报告同方差和异方差判断。
- 阅读关注点
- 应核对高维设计及误差条件、期望分位数的选择、消息传递分析如何连接检验统计量，以及实证判断采用的检验水平。
- 阅读边界
- 仅据所给 Crossref 版本摘要，具体设计假设、功效表达式和实证显著性未说明；应用结论是作者报告，也不能推断刊本变化。
原文摘要
We propose a high-dimensional extension of the heteroscedasticity test proposed in Newey and Powell (1987). Our test is based on expectile regression in the proportional asymptotic regime where $n/p \to \delta \in (0,1]$ . The asymptotic analysis of the test statistic uses the approximate message passing algorithm, from which we obtain the limiting distribution of the test and establish its asymptotic power. The numerical performance of the test is validated through an extensive simulation study. As real-data applications, we present the analysis based on “international economic growth” data (Belloni et al., 2013), which is found to be homoscedastic, and “supermarket” data (Lan et al., 2016), which is found to be heteroscedastic.