A data-driven smooth test of symmetry
数据驱动的平滑对称性检验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：摘要主要研究通用分布对称性检验，未明确涉及所列分位数或分布效应等细分方向。
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…
数据驱动的平滑对称性检验
- 研究问题
- 如何构造数据驱动的分布对称性检验，使其具有渐近无分布特性，并评估依赖数据与未观测异质性对检验的影响？
- 方法与思路
- 作者依据对称化经验分布进行概率积分变换，将对称性转为均匀性检验，再利用奇数阶正交矩构造 Neyman 平滑检验。
- 材料陈述的贡献
- 摘要称，标准化检验渐近无分布且一致，并讨论依赖数据扩展；模拟及异质工资合同下的工资调整应用展示其表现。
- 阅读关注点
- 应核对对称中心的处理、平滑检验阶数的数据选择方式，以及经验变换带来的估计误差和依赖数据扩展条件。
- 阅读边界
- 所给出版社摘要未列出完整正则条件或有限样本数值；混合分布与工资应用的结果不能直接解释为异质性的因果效应。
原文摘要
In this paper we propose a data driven smooth test of symmetry. We first transform the raw data via the probability integral transformation according to a symmetrized empirical distribution, and show that under the null hypothesis of symmetry, the transformed data has a limiting uniform distribution, reducing testing for symmetry to testing for uniformity. Employing Neyman’s smooth test of uniformity, we show that only odd-ordered orthogonal moments of the transformed data are required in constructing the test statistic. We present a standardized smooth test that is distribution-free asymptotically and derive the asymptotic behavior of the test and establish its consistency. Extension to dependent data case is discussed. We investigate the finite sample performance of the proposed tests on both homogeneous and mixed distributions (with unobserved heterogeneity). An empirical application on testing symmetry of wage adjustment process, based on heterogeneous wage contracts with different durations, is provided.