Data-driven rate-optimal specification testing in regression models
回归模型中数据驱动的速率最优设定检验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：摘要讨论通用回归设定检验，未给出足以归入所列应用领域的文本依据。
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
回归模型中数据驱动的速率最优设定检验
- 研究问题
- 如何根据数据选择平滑参数，使参数回归函数的设定检验兼顾原假设下的校准与对局部非参数偏离的检测能力？
- 方法与思路
- 作者提出偏向原假设下较大平滑参数的新选择准则，在统一框架中涵盖多类线性平滑方法，并允许针对加性备择设计检验。
- 材料陈述的贡献
- 摘要称检验具有自适应速率最优性，可一致检测接近 $1/\sqrt{n}$ 速度的Pitman局部备择，并使用标准正态渐近临界值。
- 阅读关注点
- 应核对自适应最优性对应的函数类与距离、平滑参数候选范围，以及局部备择结果和小样本bootstrap的适用条件。
- 阅读边界
- 仅据Crossref摘要，无法核实最优性所需的光滑性与设计条件，也不能判断bootstrap的理论有效性及实际小样本表现。
原文摘要
We propose new data-driven smooth tests for a parametric regression function. The smoothing parameter is selected through a new criterion that favors a large smoothing parameter under the null hypothesis. The resulting test is adaptive rate-optimal and consistent against Pitman local alternatives approaching the parametric model at a rate arbitrarily close to $1/\sqrt{n}$. Asymptotic critical values come from the standard normal distribution and the bootstrap can be used in small samples. A general formalization allows one to consider a large class of linear smoothing methods, which can be tailored for detection of additive alternatives.