On Modeling Heteroskedasticity: The Student's t and Elliptical Linear Regression Models
异方差建模：Student t 与椭圆线性回归模型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：摘要讨论一般异方差回归与捐赠截面示例，未明确对应所列微观或金融细分方向。
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
异方差建模：Student t 与椭圆线性回归模型
- 研究问题
- 如何利用数据图形的信息建立非正态线性异方差模型，同时刻画厚尾、个体异质性和非线性依赖，并处理弱外生性不适用的问题？
- 方法与思路
- 作者将正态线性同方差模型扩展至椭圆对称分布族，特别是 Student t 分布，讨论无弱外生性假设的估计并用捐赠截面数据示例。
- 材料陈述的贡献
- 摘要称，该模型族可以产生条件变量的二次或指数形式异方差，并提供讨论多种异方差来源及相应估计问题的统一框架。
- 阅读关注点
- 应核对联合分布如何导出条件均值与方差、弱外生性为何不适用，以及图形信息如何支持模型选择和截面应用的具体设定。
- 阅读边界
- 仅依据所给 Crossref 摘要；分布限制、估计识别条件及应用结果未说明，不能认定模型已区分各异方差来源，也无法推断其他版本变化。
原文摘要
This paper proposes a new approach to modeling heteroskedastidty which enables the modeler to utilize information conveyed by data plots in making informed decisions on the form and structure of heteroskedasticity. It extends the well-known normal/linear/homoskedastic models to a family of non-normal/linear/heteroskedastic models. The non-normality is kept within the bounds of the elliptically symmetric family of multivariate distributions (and in particular the Student's t distribution) that lead to several forms of heteroskedasticity, including quadratic and exponential functions of the conditioning variables. The choice of the latter family is motivated by the fact that it enables us to model some of the main sources of heteroskedasticity: “thicktails,” individual heterogeneity, and nonlinear dependence. A common feature of the proposed class of regression models is that the weak exogeneity assumption is inappropriate. The estimation of these models, without the weak exogeneity assumption, is discussed, and the results are illustrated by using cross-section data on charitable contributions.