Optimum robust testing in linear models
线性模型中的最优稳健检验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：摘要讨论一般线性模型的稳健检验与试验设计，缺少所列经济计量细分的直接文本依据。
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
线性模型中的最优稳健检验
- 研究问题
- 在线性模型中，如何同时考虑污染下检验水平的渐近偏差与功效，并选择满足稳健性要求的检验及相应最优设计？
- 方法与思路
- 作者基于渐近线性估计量构造 Wald 型检验，以收缩污染邻域内检验水平的最大渐近偏差衡量稳健性，并结合渐近功效优化。
- 材料陈述的贡献
- 摘要称，作者推导可容许、最高效及最稳健检验，并证明在所述框架下 D 最优设计兼具稳健性及受约束效率的最优性。
- 阅读关注点
- 应核对污染邻域、水平偏差和功效的定义，协方差行列式准则的作用，以及 D 最优设计结论针对的模型与约束范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；污染形式和正则条件未给出，不能将 D 最优设计的稳健性结论推广到任意异常数据机制。
原文摘要
Robust tests for linear models are derived via Wald-type tests that are based on asymptotically linear estimators. For a robustness criterion, the maximum asymptotic bias of the level of the test for distributions in a shrinking contamination neighborhood is used. By also regarding the asymptotic power of the test, admissible robust tests and most-efficient robust tests are derived. For the greatest efficiency, the determinant of the covariance matrix of the underlying estimator is minimized. Also, most-robust tests are derived. It is shown that at the classical $D$-optimal designs, the most-robust tests and the most-efficient robust tests have a very simple form. Moreover, the $D$-optimal designs provide the highest robustness and the highest efficiency under robustness constraints across all designs. So, $D$-optimal designs are also the optimal designs for robust testing. Two examples are considered for which the most-robust tests and the most-efficient robust tests are given.