Simple Robust Testing of Hypotheses in Nonlinear Models
非线性模型中的简便稳健假设检验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：摘要明确针对序列相关和条件异方差下的非线性回归检验，直接涉及时间序列推断，但未指定宏观应用。
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…
非线性模型中的简便稳健假设检验
- 研究问题
- 在存在未知形式序列相关或条件异方差的非线性加权回归中，如何不用 HAC 协方差估计构造有效检验？
- 方法与思路
- 作者利用随机变换消除干扰参数，推导一般非线性设定下的零假设极限分布，并用模拟和实证例子进行比较。
- 材料陈述的贡献
- 摘要称，非标准极限分布仅依赖约束数量；所给模拟和应用显示，新检验的尺寸失真小于使用 HAC 估计的检验。
- 阅读关注点
- 应核对随机变换、依赖与异方差条件、临界值获得方式，以及尺寸比较是否同时考虑功效和不同 HAC 实现。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出条件、模拟设计与实证细节，尺寸改善不能外推为普遍优势。
原文摘要
We develop test statistics to test hypotheses in nonlinear weighted regression models with serial correlation or conditional heteroscedasticity of unknown form. The novel aspect is that these tests are simple and do not require the use of heteroscedasticity autocorrelationconsistent (HAC) covariance matrix estimators. This new class of tests uses stochastic transformations to eliminate nuisance parameters as a substitute for consistently estimating the nuisance parameters. We derive the limiting null distributions of these new tests in a general nonlinear setting, and show that although the tests have nonstandard distributions, the distributions depend only on the number of restrictions being tested. We perform some simulations on a simple model and apply the new method of testing to an empirical example and illustrate that the size of the new test is less distorted than tests using HAC covariance matrix estimators.