Asymptotic Expansions of the Information Matrix Test Statistic
信息矩阵检验统计量的渐近展开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：摘要研究一般回归模型的信息矩阵检验及高阶近似，未明确对应所列应用领域，故不作细分归类。
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
信息矩阵检验统计量的渐近展开
- 研究问题
- 常见模型与样本量下，信息矩阵检验的卡方分布近似是否准确，如何改进分布近似并修正检验的实际显著性水平？
- 方法与思路
- 作者将一种信息矩阵检验解释为有效得分检验，构造 Edgeworth 型近似，在正态回归中计算并推导二阶尺寸修正。
- 材料陈述的贡献
- 摘要称正态回归中的新近似得到改善，并为检测偏度、峰度偏离正态性的常用检验提供不依赖协变量设计的二阶尺寸修正。
- 阅读关注点
- 核对有效得分解释所需条件、展开误差阶数与协变量设计的影响，并区分一般近似和特定检验的设计无关修正。
- 阅读边界
- 摘要未给出样本量、改善幅度或正则条件；一般近似仍对协变量设计敏感，二阶修正不能据此视为精确有限样本结果。
原文摘要
Conventional chi(superscript "2") approximations to the distribution of the information matrix test are shown to be inaccurate in models and with sample sizes commonly encountered. Interpreting a version of the information matrix test as an efficient score test leads to an alternative Edgeworth type approximation. This is calculated for the normal regression model and shown to be an improvement. Generally, the quality of the approximations is sensitive to the covariate design. However, the authors are able to provide design-independent, second-order size corrections for the widely used information matrix tests which detect nonnormal skewness and kurtosis in regression models. Copyright 1991 by The Econometric Society.