Linear Transformation Model With Parametric Covariate Transformations
允许参数化协变量变换的线性变换模型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：摘要讨论通用变换回归模型的识别与检验，未明确涉及所列经济计量细分方向，因此不作分类。
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
允许参数化协变量变换的线性变换模型
- 研究问题
- 当响应变量经过变换后仍与协变量呈非线性关系时，能否通过参数化协变量变换恢复线性，并处理零效应下的识别问题？
- 方法与思路
- 作者扩展传统线性变换模型，允许协变量作参数化变换；针对零效应假设构造检验，并在非零效应下研究参数与未知响应变换的推断。
- 材料陈述的贡献
- 摘要称，方法处理了零效应下变换参数失去识别的问题，并提供非零效应推断、变换拟合优度检验及模型比较指标。
- 阅读关注点
- 阅读时应核对零效应下哪些参数失去识别、检验如何处理这一问题，以及非零效应推断、拟合优度检验和模型比较指标的适用条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未给出识别条件、检验分布或模拟数值，不能判断性能的普遍性。
原文摘要
The traditional linear transformation model assumes a linear relationship between the transformed response and the covariates. However, in real data, this linear relationship may be violated. We propose a linear transformation model that allows parametric covariate transformations to recover the linearity. Although the proposed generalization may seem rather simple, the inferential issues are quite challenging due to loss of identifiability under the null of no effects of transformed covariates. This article develops tests for such hypotheses. We establish rigorous inferences for parameters and the unspecified transformation function when the transformed covariates have nonzero effects. The estimates and tests perform well in simulation studies using a realistic sample size. We also develop goodness-of-fit tests for the transformation and R 2 for model comparison. GAGurine data are used to illustrate the practical utility of the proposed methods.