Model Checking in Partially Linear Spatial Autoregressive Models
部分线性空间自回归模型的模型检验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：摘要直接研究空间自回归中的跨单位空间依赖，最接近网络与相互关联方向。
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
部分线性空间自回归模型的模型检验
- 研究问题
- 研究如何检验空间自回归模型的设定是否正确，并在无需选择带宽等调节参数时识别广泛的局部偏离。
- 方法与思路
- 作者基于积分条件矩构造残差标记经验过程及其投影的连续泛函，推导渐近性质，并以乘子 bootstrap 近似临界值。
- 材料陈述的贡献
- 摘要称检验能够检测以样本量平方根倒数速度接近零假设的广泛局部备择，模拟和增长收敛应用展示表现。
- 阅读关注点
- 应核对题名的部分线性模型与摘要所述线性模型的关系、空间依赖条件，以及可检测局部备择的具体范围。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，无法确定被检验的具体设定及空间依赖条件，也不能推断后续刊本变化。
原文摘要
This article proposes two new classes of nonparametric tests for the correct specification of linear spatial autoregressive models based on the “integrated conditional moment” approach. Our test statistics are constructed as continuous functionals of a residual marked empirical process as well as its projected version. We derive asymptotic properties of the test statistics under the null hypothesis, the alternative hypothesis, and a sequence of local alternatives. The proposed tests do not involve the selection of tuning parameters such as bandwidths and are able to detect a broad class of local alternatives converging to the null at the parametric rate n−1/2, with n being the sample size. We also propose a multiplier bootstrap procedure that is computationally simple to approximate the critical values. Monte Carlo simulations illustrate that our tests have a reasonable size and satisfactory power for different types of data-generating processes. Finally, an empirical analysis of growth convergence is carried out to demonstrate the usefulness of the tests.