Power Enhancement in High-Dimensional Cross-Sectional Tests
高维横截面检验的功效增强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：摘要明确列出因子定价模型检验与面板数据横截面独立性检验，支持资产定价、金融因子及面板数据分类。
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
高维横截面检验的功效增强
- 研究问题
- 高维参数检验面对仅少数分量偏离原假设的稀疏备择时，如何避免估计误差累积削弱功效，并保持可用的原假设分布？
- 方法与思路
- 作者通过筛选构造功效增强项，使其在原假设下以高概率为零、在稀疏备择下迅速发散，再与渐近枢轴统计量相加。
- 材料陈述的贡献
- 摘要称该组合能提高稀疏备择下的功效，渐近原假设分布由枢轴统计量决定，并用于因子定价检验与面板横截面独立性验证。
- 阅读关注点
- 阅读全文时应核对筛选阈值、增强项为零与发散的条件、枢轴统计量的选择，以及检验尺寸控制和不同备择下的功效表现。
- 阅读边界
- 所给摘要开头残缺，未完整交代原假设；其所称无需严苛条件仍有适用假设，仅凭摘要不能判断有限样本尺寸与功效优势。
原文摘要
= 0 against sparse alternatives where the null hypothesis is violated only by a couple of components. Existing tests based on quadratic forms such as the Wald statistic often suffer from low powers due to the accumulation of errors in estimating high-dimensional parameters. More powerful tests for sparse alternatives such as thresholding and extreme-value tests, on the other hand, require either stringent conditions or bootstrap to derive the null distribution and often suffer from size distortions due to the slow convergence. Based on a screening technique, we introduce a "power enhancement component", which is zero under the null hypothesis with high probability, but diverges quickly under sparse alternatives. The proposed test statistic combines the power enhancement component with an asymptotically pivotal statistic, and strengthens the power under sparse alternatives. The null distribution does not require stringent regularity conditions, and is completely determined by that of the pivotal statistic. As specific applications, the proposed methods are applied to testing the factor pricing models and validating the cross-sectional independence in panel data models.