Specification tests for regression models with measurement errors
解释变量含测量误差时的回归模型设定检验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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论一般回归模型的测量误差与设定检验，未明确涉及面板、因果识别、时间序列或其他给定细分方向。
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
解释变量含测量误差时的回归模型设定检验
- 研究问题
- 解释变量存在测量误差时，如何检验回归模型的设定，并在测量误差分布已知或未知的情况下构造可计算的临界值？
- 方法与思路
- 作者用反卷积核构造残差标记经验过程及 ICM 型统计量，通过干扰参数切空间的正交投影处理参数估计影响。
- 材料陈述的贡献
- 摘要称投影处理支持计算简便的乘子自助法，并将检验扩展至误差分布未知的情形；模拟用于评估有限样本表现。
- 阅读关注点
- 应核对反卷积所需信息、误差分布未知时如何估计、平滑参数选择，以及投影和乘子自助法有效性的具体条件。
- 阅读边界
- 所据版本为 arXiv 预印本，同行评审与期刊接收未核实；摘要未提供检验条件、尺寸或功效数值，不能判断适用范围。
原文摘要
In this paper, we propose new specification tests for regression models with measurement errors in the explanatory variables. Inspired by the integrated conditional moment (ICM) approach, we use a deconvoluted residual-marked empirical process and construct ICM-type test statistics based on it. The issue of measurement errors is addressed by applying a deconvolution kernel estimator in constructing the residuals. We demonstrate that employing an orthogonal projection onto the tangent space of nuisance parameters not only eliminates the parameter estimation effect but also facilitates the simulation of critical values via a computationally simple multiplier bootstrap procedure. It is the first time a multiplier bootstrap has been proposed in the literature of specification testing with measurement errors. We also develop specification tests and the multiplier bootstrap procedure when the measurement error distribution is unknown. The finite-sample performance of the proposed tests for both known and unknown measurement error distributions is evaluated through Monte Carlo simulations, which demonstrate their efficacy.