Testing for neglected nonlinearity in time series models
时间序列模型中遗漏非线性的检验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：摘要直接讨论时间序列模型的非线性诊断，并比较双线性、门限自回归等过程。
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…
时间序列模型中遗漏非线性的检验
- 研究问题
- 如何检验线性时间序列模型是否遗漏非线性，并比较神经网络检验与既有检验在不同非线性过程中的检验水平和功效？
- 方法与思路
- 作者利用神经网络的逼近能力构造拉格朗日乘子检验，判断增加隐藏单元是否有益，并在人工序列和经济序列上比较。
- 材料陈述的贡献
- 摘要称，神经网络检验在所研究设定中具有适当检验水平和良好功效，可辅助模型诊断；多个经济序列显示潜在非线性。
- 阅读关注点
- 应核对隐藏单元及其参数的处理、检验统计量的构造、各检验的调参规则，以及模拟过程和实际序列的预处理方式。
- 阅读边界
- 仅依据所给作者存档的1993年刊本摘要；未提供样本、调参和数值比较，不能认定该检验在所有非线性模型下占优。
原文摘要
In this paper a new test, the neural network test for neglected nonlinearity, is compared with the Keenan test, the Tsay test, the White dynamic information matrix test, the McLeod-Li test, the Ramsey RESET test, the Brock-Dechert-Scheinkman test, and the Bispectrum test. The neural network test is based on the approximating ability of neural network modeling techniques recently developed by cognitive scientists. This test is a Lagrange multiplier test that statistically determines whether adding ‘hidden units’ to the linear network would be advantageous. The performance of the tests is compared using a variety of nonlinear artificial series including bilinear, threshold autoregressive, and nonlinear moving average models, and the tests are applied to actual economic time series. The relative performance of the neural network test is encouraging. Our results suggest that it can play a valuable role in evaluating model adequacy. The neural network test has proper size and good power, and many of the economic series tested exhibit potential nonlinearities.