A General Approach to Serial Correlation
序列相关的一般分析框架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：摘要以序列相关为核心问题，并明确将 probit 模型列为统一框架涵盖的模型。
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
序列相关的一般分析框架
- 研究问题
- 在涵盖非线性联立方程、probit、tobit 等模型的一般框架中，如何进行序列相关检验，并分析最大似然估计的稳健性？
- 方法与思路
- 作者建立包含多类模型的统一框架，显式构造得分检验，将其联系到 Durbin–Watson 统计量，并讨论最大似然估计。
- 材料陈述的贡献
- 摘要称，所得得分统计量推广了 Durbin–Watson 检验，并证明所研究的最大似然估计程序对序列相关具有稳健性。
- 阅读关注点
- 应核对一般模型的分布与依赖条件、得分统计量的形式，并明确稳健性究竟涉及一致性、效率还是其他估计性质。
- 阅读边界
- 仅据所给 Crossref 摘要解读；稳健性的含义和适用条件未说明，不能理解为任意序列相关均不影响估计，也不推断刊本变化。
原文摘要
In this paper the testing and estimation problems are discussed in the case of serial correlation. Various models are particular cases of the general framework considered: the nonlinear simultaneous equations models, the probit models, the tobit models, the disequilibrium models, the frontier models, etc. In this context, it is shown that the score test can be written explicitly and that the statistic obtained is a generalization of that of Durbin and Watson; moreover, the maximum likelihood estimation procedure is shown to be robust with respect to serial correlation.