Improved Lagrange multiplier tests in spatial autoregressions
空间自回归中改进的拉格朗日乘数检验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：摘要讨论空间误差相关检验，未明确涉及所列网络干扰或其他可直接对应的细分方向。
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
空间自回归中改进的拉格朗日乘数检验
- 研究问题
- 针对回归误差无空间相关的原假设，如何改善拉格朗日乘数检验在小样本中依赖一阶渐近临界值所产生的近似不足？
- 方法与思路
- 作者基于 Edgeworth 展开构造精化的空间误差相关检验，并通过蒙特卡洛模拟，将其与自助法及一阶渐近检验比较。
- 材料陈述的贡献
- 摘要称，精化检验和自助法检验在模拟中通常明显优于采用一阶渐近临界值的检验，但未给出具体改善指标和幅度。
- 阅读关注点
- 应核对展开所需的误差与空间权重条件、临界值修正方法及模拟中的尺寸和功效，并查原 PDF 确认分布符号的排版。
- 阅读边界
- 摘要中的分布符号存在转换痕迹，需核对原 PDF；模拟结论不能推出统一优势，误差分布及空间权重限制也未说明。
原文摘要
For testing lack of correlation against spatial autoregressive alternatives, Lagrange multiplier tests enjoy their usual computational advantages, but the (χ-super-2) first‐order asymptotic approximation to critical values can be poor in small samples. We develop refined tests for lack of spatial error correlation in regressions, based on Edgeworth expansion. In Monte Carlo simulations, these tests, and bootstrap tests, generally significantly outperform χ-super-2‐based tests.