Asymptotically uniformly most powerful tests in parametric and semiparametric models
参数与半参数模型中的渐近一致最强检验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：摘要研究通用参数与半参数检验理论，所列回归和生存模型例子不足以支持具体经济计量细分分类。
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…
关注这篇论文的作者
参数与半参数模型中的渐近一致最强检验
- 研究问题
- 在局部备择下，如何刻画参数及半参数模型中有限维参数检验的渐近最优性，并由检验构造相应的最准确置信集？
- 方法与思路
- 作者采用 Pitman 局部备择与 Le Cam 局部渐近正态性，区分单侧、双侧无偏及多维不变检验，并通过反演构造置信集。
- 材料陈述的贡献
- 摘要称刻画多类渐近一致最强检验，为常见参数检验及可构造的半参数有效得分检验提供相应最优性结论。
- 阅读关注点
- 应核对局部渐近正态性、无偏性与不变性约束，半参数有效得分的可构造条件，以及检验反演所得置信集的最优性范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要所述最优性依赖局部框架与检验类别，不能推广为有限样本或任意备择下最优。
原文摘要
Tests of hypotheses about finite-dimensional parameters in a semiparametric model are studied from Pitman's moving alternative (or local) approach using Le Cam's local asymptotic normality concept. For the case of a real parameter being tested, asymptotically uniformly most powerful (AUMP) tests are characterized for one-sided hypotheses, and AUMP unbiased tests for two-sided ones. An asymptotic invariance principle is introduced for multidimensional hypotheses, and AUMP invariant tests are characterized. These provide optimality for Wald, Rao (score), Neyman-Rao (effective score) and likelihood ratio tests in parametric models, and for Neyman-Rao tests in semiparametric models when constructions are feasible. Inversions lead to asymptotically uniformly most accurate confidence sets. Examples include one-, two- and k-sample problems, a linear regression model with unknown error distribution and a proportional hazards regression model with arbitrary baseline hazards. Results are presented in a format that facilitates application in strictly parametric models.