Testing for monotonicity of a regression mean by calibrating for linear functions
通过线性函数校准检验回归均值的单调性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：摘要聚焦一般回归均值的形状检验，没有指定经济结构或因果含义，亦未提供其他所列细分方向的明确文本依据。
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
通过线性函数校准检验回归均值的单调性
- 研究问题
- 如何不估计整条回归曲线、不选择带宽就检验回归均值的单调性，并妥善处理近乎平坦或带肩部的边界情形？
- 方法与思路
- 作者以短区间上的运行梯度构造检验，并进行适合平坦响应曲线的校准；摘要将其与临界带宽方法作比较。
- 材料陈述的贡献
- 摘要称，该方法无需计算曲线估计量或带宽，避免近乎平坦区段引起的困难，并在具有肩部的边界情形下有较好功效。
- 阅读关注点
- 应核对运行梯度的定义、短区间的选择与校准方式、单调性原假设，以及平坦和肩部情形下功效陈述的依据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给检验统计量、误差条件或功效数值，不能将相对表现推广或推断刊本变化。
原文摘要
A new approach to testing for monotonicity of a regression mean, not requiring computation of a curve estimator or a bandwidth, is suggested. It is based on the notion of “running gradients ” over short intervals, although from some viewpoints it may be regarded as an analogue for monotonicity testing of the dip/excess mass approach for testing modality hypotheses about densities. Like the latter methods, the new technique does not suffer difficulties caused by almost-flat parts of the target function. In fact, it is calibrated so as to work well for flat response curves, and as a result it has relatively good power properties in boundary cases where the curve exhibits shoulders. In this respect, as well as in its construction, the “running gradients” approach differs from alternative techniques based on the notion of a critical bandwidth.