NEYMAN’S C( α ) TEST FOR UNOBSERVED HETEROGENEITY
未观测异质性的 Neyman C(α) 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：摘要明确讨论面板数据模型中的斜率异质性检验，虽总体框架属于通用理论。
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
未观测异质性的 Neyman C(α) 检验
- 研究问题
- 当异质性参数的一阶似然导数和常规 Fisher 信息均为零时，如何检验未观测异质性，并刻画多维情形的局部最优性？
- 方法与思路
- 作者在 Neyman C(α) 框架下，利用二次均值可微性和极限实验建立非正则检验理论，并讨论横截面与面板的斜率异质性检验。
- 材料陈述的贡献
- 摘要称，理论扩展至多维情形，涉及 n⁻¹ᐟ⁴ 阶局部备择；部分既有对称性或三阶矩条件可省去，并提出改善功效的检验修改。
- 阅读关注点
- 应核对多维参数空间与极限实验的结构、仍需保留的正则条件，以及斜率异质性检验修改所针对的备择和功效比较。
- 阅读边界
- 仅解释所给 Crossref 摘要；摘要未给出检验公式和完整条件，局部最优性及功效改善不能理解为对所有异质性分布普遍占优。
原文摘要
A unified framework is proposed for tests of unobserved heterogeneity in parametric statistic models based on Neyman’s C( α ) approach. Such tests are irregular in the sense that the first order derivative of the log likelihood with respect to the heterogeneity parameter is identically zero, and consequently the conventional Fisher information about the parameter is zero. Nevertheless, local asymptotic optimality of the C( α ) tests can be established via LeCam’s differentiability in quadratic mean and the limit experiment approach. This leads to local alternatives of order n −1/4 . The scalar case result is already familiar from existing literature and we extend it to the multidimensional case. The new framework reveals that certain regularity conditions commonly employed in earlier developments are unnecessary, i.e. the symmetry or third moment condition imposed on the heterogeneity distribution. Additionally, the limit experiment for the multidimensional case suggests modifications on existing tests for slope heterogeneity in cross sectional and panel data models that lead to power improvement. Since the C( α ) framework is not restricted to the parametric model and the test statistics do not depend on the particular choice of the heterogeneity distribution, it is useful for a broad range of applications for testing parametric heterogeneity.