Asymptotic distribution-free tests for semiparametric regressions with dependent data
依赖数据半参数回归的渐近分布无关检验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：摘要明确处理严格平稳过程产生的依赖数据及回归检验，因此对应时间序列方法；未提供金融波动率应用依据。
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…
依赖数据半参数回归的渐近分布无关检验
- 研究问题
- 对于来自严格平稳过程、可能存在依赖的数据，如何构造具有通用渐近临界值的半参数回归假设检验？
- 方法与思路
- 作者变换受限与非受限回归误差的估计分布之差，使检验渐近分布无关，并应用于模型设定和受约束均值—方差检验。
- 材料陈述的贡献
- 摘要称提出一般检验构造方法，可使用已知临界值；模拟和实证报告其在中等样本量下具有令人满意的表现。
- 阅读关注点
- 应核对平稳性之外的依赖与矩条件、误差分布差的变换、干扰参数处理，以及均值—方差约束和临界值的具体形式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；严格平稳不代表任意依赖均可适用，具体正则条件和有限样本结果未说明。
原文摘要
This article proposes a new general methodology for constructing nonparametric and semiparametric Asymptotically Distribution-Free (ADF) tests for semiparametric hypotheses in regression models for possibly dependent data coming from a strictly stationary process. Classical tests based on the difference between the estimated distributions of the restricted and unrestricted regression errors are not ADF. In this article, we introduce a novel transformation of this difference that leads to ADF tests with well-known critical values. The general methodology is illustrated with applications to testing for parametric models against nonparametric or semiparametric alternatives, and semiparametric constrained mean–variance models. Several Monte Carlo studies and an empirical application show that the finite sample performance of the proposed tests is satisfactory in moderate sample sizes.