The IOS Test for Model Misspecification
模型设定错误的 IOS 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：摘要讨论通用模型设定检验，没有足以对应所列经济计量细分方向的具体研究对象。
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
模型设定错误的 IOS 检验
- 研究问题
- 如何利用模型在样本内与样本外的似然表现检测设定错误，并构造适用于离散和连续数据的统计检验？
- 方法与思路
- 作者以样本内外似然之比构造统计量，用刀切法影响曲线近似将其联系到两个信息矩阵估计，并建议参数自助法计算 p 值。
- 材料陈述的贡献
- 摘要称，该近似给出统计量的渐近正态性，且在简单问题中可近似熟悉的检验方法；文中通过多类例子和模拟展示应用。
- 阅读关注点
- 应核对样本外似然如何生成、信息矩阵对比的具体形式，以及渐近论证和参数自助法在不同错误设定下的有效条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；适用的模型范围、检验功效和有限样本校准细节未说明，不能推断其他版本变化。
原文摘要
A new test of model misspecification is proposed, based on the ratio of in-sample and out-of-sample likelihoods. The test is broadly applicable and, in simple problems, approximates well-known, intuitive methods. Using jackknife influence curve approximations, it is shown that the test statistic can be viewed asymptotically as a multiplicative contrast between two estimates of the information matrix, both of which are consistent under correct model specification. This approximation is used to show that the statistic is asymptotically normally distributed, although it is suggested that p values be computed using the parametric bootstrap. The resulting methodology is demonstrated with various examples and simulations involving both discrete and continuous data.