Rank-based max-sum tests for mutual independence of high-dimensional random vectors
高维随机向量相互独立性的秩最大值—求和检验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：摘要明确将高维独立性检验用于固定效应面板模型的误差横截面独立性，并提供面板数据应用，支持面板分类。
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…
高维随机向量相互独立性的秩最大值—求和检验
- 研究问题
- 如何检验高维随机向量各分量的相互独立性，并兼顾不同变量分布、依赖形式与相关稀疏度，进而检验面板误差横截面独立？
- 方法与思路
- 作者构造一系列基于秩的最大值—求和检验，建立零假设及备择下的渐近性质，并将代表性检验用于固定效应面板残差。
- 材料陈述的贡献
- 摘要称，模拟表明所提检验结合最大值型和求和型方法的优势，并通过真实面板数据分析展示横截面独立性检验的应用。
- 阅读关注点
- 应核对最大值与求和统计量的组合方式、维度增长和依赖条件，以及使用估计残差后理论是否仍成立和功效比较范围。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，具体统计量、正则条件及模拟数值未说明；所称稳健性与优势不能视为对所有依赖结构成立。
原文摘要
We consider the problem of testing mutual independence of high-dimensional random vectors, and propose a series of high-dimensional rank-based max-sum tests, which are suitable for high-dimensional data and can be robust to distribution types of the variables, form of the dependence between variables and the sparsity of correlation coefficients. Further, we demonstrate the application of some representative members of the proposed tests on testing cross-sectional independence of the error vectors under fixed effects panel data regression models. We establish the asymptotic properties of the proposed tests under the null and alternative hypotheses, respectively, and then demonstrate the superiority of the proposed tests through extensive simulations, which suggest that they combine the advantages of both the max-type and sum-type high-dimensional rank-based tests. Finally, a real panel data analysis is performed to illustrate the application of the proposed tests.