Likelihood Ratio Tests for Model Selection and Non-Nested Hypotheses
模型选择与非嵌套假设的似然比检验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：摘要研究通用的模型比较和似然比渐近理论，未指向所列领域中的具体数据结构或应用，故暂不分类。
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
模型选择与非嵌套假设的似然比检验
- 研究问题
- 在候选模型可能设定错误且彼此关系不同的情况下，如何检验它们与真实数据生成过程同样接近，还是其中一个更接近？
- 方法与思路
- 作者以 Kullback–Leibler 信息准则衡量模型接近真实过程的程度，推导似然比统计量的渐近分布并构造方向性检验。
- 材料陈述的贡献
- 摘要称，检验涵盖非嵌套、重叠与嵌套模型，也允许两个、一个或均无模型误设，并刻画一般条件下的似然比渐近分布。
- 阅读关注点
- 阅读时应核对接近程度的定义、不同模型关系与误设情形对应的极限分布，以及方向性检验所需条件和原假设解释。
- 阅读边界
- 摘要未给出正则条件、统计量实现细节或有限样本表现；比较的是信息准则意义下的接近程度，不能据此确认某模型为真。
原文摘要
Using the Kullback-Leibler information criterion to measure the closeness of a model to the truth, the author proposes new likelihood-ratio-based statistics for testing the null hypothesis that the competing models are as close to the true data generating process against the alternative hypothesis that one model is closer. The tests are directional and are derived for the cases where the competing models are non-nested, overlapping, or nested and whether both, one, or neither is misspecified. As a prerequisite, the author fully characterizes the asymptotic distribution of the likelihood ratio statistic under the most general conditions. Copyright 1989 by The Econometric Society.