OPTIMAL TESTS FOR NESTED MODEL SELECTION WITH UNDERLYING PARAMETER INSTABILITY
参数不稳定下嵌套模型选择的最优检验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：摘要直接讨论参数随时间变化、参数不稳定检验及其对嵌套模型选择的影响。
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
参数不稳定下嵌套模型选择的最优检验
- 研究问题
- 当参数可能随时间变化时，如何在两个嵌套模型之间进行选择，同时检验部分参数限制与参数不稳定性？
- 方法与思路
- 作者修改既有参数不稳定检验以允许参数向量未知，构造针对参数变化和部分参数原假设的联合检验。
- 材料陈述的贡献
- 摘要称，论文发展这类模型选择的最优检验，给出统计量的渐近分布，并为部分情形提供相应临界值。
- 阅读关注点
- 应核对最优性的准则与备择设定、参数不稳定的形式，以及联合检验拒绝时如何解释参数限制与时间变化。
- 阅读边界
- 仅据所给出版社摘要，无法确定最优性的具体含义和完整适用条件；所给临界值也未声称覆盖所有模型情形。
原文摘要
This paper develops optimal tests for model selection between two nested models in the presence of underlying parameter instability. These are joint tests for both parameter instability and a null hypothesis on a subset of the parameters. They modify the existing tests for parameter instability to allow the parameter vector to be unknown. These test statistics are useful if one is interested in testing a null hypothesis on some parameters but is worried about the possibility that the parameters may be time varying. The paper provides the asymptotic distributions of this class of test statistics and their critical values for some interesting cases.I thank M. Watson for the idea of this paper and for numerous discussions, suggestions, comments, and teaching. I am grateful to T. Clark, G. Chow, R. Gallant, F. Sowell, N. Swanson, E. Tamer, and A. Tarozzi and also to the co-editor and two referees and to seminar participants at the University of Virginia, ECARES Université Libre de Brussels, the 2001 Triangle Econometrics Conference, the 2002 NBER Summer Institute, the 2003 Summer Meetings of the Econometric Society, and the 2003 EC2 Conference for comments. Financial support from IFS Summer Research, Princeton University, is gratefully acknowledged. All mistakes are mine.