Specification Testing with Locally Misspecified Alternatives
备择局部误设下的模型设定检验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。
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：摘要讨论一般模型设定检验在局部误设下的调整，未提供归入所列具体领域的依据。
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
备择局部误设下的模型设定检验
- 研究问题
- 当备择模型存在局部误设时，如何调整常规拉格朗日乘数检验以恢复稳健性，并衡量这种调整的计算收益和功效代价？
- 方法与思路
- 作者利用局部误设下的渐近分布，调整通常 LM 统计量的均值和协方差，并将调整后的检验与 Neyman 的 C(α) 检验比较。
- 材料陈述的贡献
- 摘要称，调整检验在局部误设下与 C(α) 检验渐近等价并共享其最优性，计算更简便，但模型正确时可能损失渐近功效。
- 阅读关注点
- 应核对局部误设的方向与幅度、均值和协方差调整的估计方式，以及渐近等价、最优性和功效损失成立的条件。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确认完整条件或有限样本表现；方法要求完整指定模型，局部稳健性不能推广为任意误设下均有效。
原文摘要
It is well known that most of the standard specification tests are not robust when the alternative is misspecified. Using the asymptotic distributions of standard Lagrange multiplier (LM) test under local misspecification, we suggest a robust specification test. This test essentially adjusts the mean and covariance matrix of the usual LM statistic. We show that for local misspecification the adjusted test is asymptotically equivalent to Neyman's C (α) test, and therefore, shares the optimality properties of the C (α) test. The main advantage of the new test is that, compared to the C (α) test, it is much simpler to compute. Our procedure does require full specification of the model and there might be some loss of asymptotic power relative to the unadjusted test if the model is indeed correctly specified.