Hypothesis Testing for Penalized Estimating Equations with Cross-Fitted Covariance Calibration
交叉拟合协方差校准下惩罚估计方程的假设检验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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要讨论惩罚估计方程、交叉拟合协方差校准与渐近检验理论，属于计量方法与推断理论，未直接对应所给微观、宏观或金融领域细分，故不选择。
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…
交叉拟合协方差校准下惩罚估计方程的假设检验
- 研究问题
- 摘要称，研究目标是：在多元响应（如纵向相关测量或高维异方差回归）的完整边际分布难以设定时，如何对惩罚估计量做假设检验，并针对均值模型参数的低维子向量进行推断。
- 方法与思路
- 作者提出在条件均值模型正确设定的前提下，证明即使工作协方差结构误设，惩罚估计方程仍存在 √n 相合解；检验统计量渐近服从 χ² 分布，其渐近功效依赖冗余协方差函数，故用交叉拟合估计该协方差函数以实现校准与稳健推断。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：建立惩罚估计方程在协方差误设下的 √n 相合性与 χ² 渐近检验，并给出基于交叉拟合的协方差校准方法，以减轻检验功效对冗余协方差函数的依赖。
- 阅读关注点
- 阅读全文时应核对：条件均值模型正确设定的具体形式与可检验性、√n 相合性与 χ² 极限定理所需的正则条件、交叉拟合的具体划分与渐近性质、以及功效对协方差函数依赖程度的理论刻画与模拟证据。
- 阅读边界
- 仅凭摘要无法判断定理的完整假设、交叉拟合的有限样本表现、与既有惩罚推断方法的比较，也未说明是否经过同行评审；该文为 arXiv 预印本，不能据此声称已被期刊接收。
原文摘要
We study hypothesis testing for penalized estimators in settings where the full marginal distribution of a multivariate response is difficult to specify, such as longitudinal data with correlated measurements or high-dimensional heteroscedastic regression. Assuming that the conditional mean model is correctly specified, we establish that the penalized estimating equations admit a $\sqrt{n}$-consistent solution, even when the working covariance structure is misspecified. Our inferential target is a low-dimensional subvector of parameters associated with the mean model. We show that the resulting test statistic converges to a $χ^2$ distribution, and that its asymptotic power depends on the nuisance covariance function. To mitigate this dependence, we propose estimating the covariance function via cross-fitting, which provides a calibrated and robust procedure for inference.