Encompassing and Progression Testing in High-Dimensions
高维环境中的涵盖检验与递进检验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：摘要的明确应用是美国金融因子库及因子间的张成关系，直接对应金融因子；一般矩约束检验本身不足以增加其他分类。
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
高维环境中的涵盖检验与递进检验
- 研究问题
- 当模型涵盖关系或有效性由多个矩约束表达，且系统高维、可能秩亏时，如何避免高维协方差估计并保持有效检验？
- 方法与思路
- 作者提出基于子序列的柯西组合检验 SCT，适用于弱依赖或短程依赖数据，并将其用于涵盖、冗余、递进与非线性检验。
- 材料陈述的贡献
- 摘要称，SCT 渐近无偏且接近极小极大速率最优，在所述替代假设下功效不低于预言最大值检验，并以美国金融因子库作应用。
- 阅读关注点
- 应核对子序列构造、依赖及维度增长条件、功效比较的替代假设范围，以及秩亏下各类检验对象和因子张成结论。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；摘要未列出检验条件、子序列选择或实证数值，不能推断有限样本普遍优越性或其他刊本变化。
原文摘要
This paper introduces the Subseries-based Cauchy Combination Test (SCT), a novel procedure for testing encompassing relationships or model validity using identification conditions formulated as multiple moment restrictions. SCT applies to weakly or short-range-dependent data and eliminates the need to estimate high-dimensional covariance matrices. Unlike Wald- or J-type tests, it remains reliable in both low- and high-dimensional settings. The test is asymptotically unbiased and near-minimax-rate optimal, with asymptotic power no less than that of an oracle max-type test under alternatives in which the selected model fails to encompass the valid model. SCT accommodates redundancy, progression, and nonlinearity testing in rank-deficient systems. As an empirical illustration, we apply SCT to the U.S. factor zoo and show how a handful of factors effectively span the country-level factors over the period 1964–2022.