TESTING REGRESSION MONOTONICITY IN ECONOMETRIC MODELS
计量经济模型中回归单调性的检验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：摘要研究一般回归函数的形状约束检验，未明确对应所列因果、面板、宏观或金融细分方向。
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
计量经济模型中回归单调性的检验
- 研究问题
- 如何以可实施的非参数检验评估回归函数的单调性预测，并允许研究者利用事前信息和适应未知的函数平滑程度？
- 方法与思路
- 作者建立一般非参数检验框架，结合 bootstrap 与选择算法模拟临界值，并构造适应未知平滑度的速率最优检验。
- 材料陈述的贡献
- 摘要称，检验具有正确渐近尺寸且渐近不保守；在指定平滑函数类上达到最优一致性速率，模拟中多种情形的功效高于部分既有检验。
- 阅读关注点
- 应核对单调性原假设、事前信息如何进入检验、临界值选择算法，以及速率最优结论所对应的函数类和一致性标准。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断设计与误差条件、算法细节或功效数值；模拟中的优势不能推广为所有模型下的普遍优势。
原文摘要
Monotonicity is a key qualitative prediction of a wide array of economic models derived via robust comparative statics. It is therefore important to design effective and practical econometric methods for testing this prediction in empirical analysis. This article develops a general nonparametric framework for testing monotonicity of a regression function. Using this framework, a broad class of new tests is introduced, which gives an empirical researcher a lot of flexibility to incorporate ex ante information she might have. The article also develops new methods for simulating critical values, which are based on the combination of a bootstrap procedure and new selection algorithms. These methods yield tests that have correct asymptotic size and are asymptotically nonconservative. It is also shown how to obtain an adaptive and rate optimal test that has the best attainable rate of uniform consistency against models whose regression function has Lipschitz-continuous first-order derivatives and that automatically adapts to the unknown smoothness of the regression function. Simulations show that the power of the new tests in many cases significantly exceeds that of some prior tests, e.g., that of Ghosal, Sen, and Van der Vaart (2000).