A Powerful Chi-Square Specification Test with Support Vectors
利用支持向量构造高功效卡方模型设定检验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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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，未提供足够证据将其归入所列应用领域细分。
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
利用支持向量构造高功效卡方模型设定检验
- 研究问题
- 如何改善条件矩模型设定检验的有限样本功效，尤其是在维度较高时，更有效地发现参数模型与数据之间的偏离？
- 方法与思路
- 作者用支持向量机学习检验方向，分别最大化非参数与参数类的差异、残差与原点的分离，并构造 t 型检验统计量。
- 材料陈述的贡献
- 摘要称统计量在原假设下收敛到标准卡方分布，方法可检测任意备择且计算高效；模拟显示其在高维情形表现较好。
- 阅读关注点
- 应核对方向学习与检验数据如何配合、t 型统计量如何获得卡方极限，以及任意备择可检测性和高维功效结论的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明具体正则条件、卡方自由度与模拟设计，不能确认普遍优势。
原文摘要
Specification tests, such as Integrated Conditional Moment (ICM) and Kernel Conditional Moment (KCM) tests, are crucial for model validation but often lack power in finite samples. This paper proposes a novel framework to enhance specification test performance using Support Vector Machines (SVMs) for direction learning. We introduce two alternative SVM-based approaches: one maximizes the discrepancy between nonparametric and parametric classes, while the other maximizes the separation between residuals and the origin. Both approaches lead to a $t$-type test statistic that converges to a standard chi-square distribution under the null hypothesis. Our method is computationally efficient and capable of detecting any arbitrary alternative. Simulation studies demonstrate its superior performance compared to existing methods, particularly in large-dimensional settings.