A Gaussian process approach to model checks
用于模型检验的高斯过程方法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：摘要明确列出零条件处理效应的距离核检验这一因果推断应用。
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
用于模型检验的高斯过程方法
- 研究问题
- 如何在干扰参数复杂、使用正则化估计或参数位于边界时检验条件矩限制，并兼顾自助法实现和局部功效？
- 方法与思路
- 作者将 Neyman 正交的函数参数过程平方后按高斯过程分布积分，形成核检验；自助法无需逐次重估干扰参数。
- 材料陈述的贡献
- 摘要称提出正交核、统一渐近理论和局部功效分析，并将方法用于零条件处理效应检验，展示核设定与协变量维度的影响。
- 阅读关注点
- 应核对正交化构造、干扰估计误差要求和边界情形条件，检查条件处理效应的识别前提以及核选择对功效的影响。
- 阅读边界
- 仅据所给 Crossref 摘要版本，不能推断刊本变化。摘要未列明一般有效性条件、处理效应识别假设或核选择规则，不能认定检验统一占优。
原文摘要
This paper proposes a Gaussian process (GP) approach for testing conditional moment restrictions. Tests are based on squared Neyman orthogonal function-parametric processes integrated with respect to a GP distribution. This methodology leads to a general unified framework of kernel-based tests having the following properties: (i) bootstrap tests are easy to implement in the presence of nuisance parameters (they are simple quadratic forms, and there is no need to reestimate the nuisance parameters in each bootstrap replication); and (ii) the new tests are valid under general conditions, including higher-order conditional moments of unknown form, regularized estimators (e.g., Lasso) or parameters at the boundary of the parameter space. Novel applications include distance kernel tests for zero conditional treatment effects. The paper introduces Neyman orthogonal kernels, a new asymptotic theory and a detailed local power analysis. Monte Carlo experiments and a real data application illustrate the sensitivity of tests to the dimension of covariates and to the mean and covariance kernel of the GP.