A FLEXIBLE NONPARAMETRIC TEST FOR CONDITIONAL INDEPENDENCE
灵活的非参数条件独立检验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：摘要明确将条件独立检验用于教育回报估计中无混杂假设的可检验推论。
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
灵活的非参数条件独立检验
- 研究问题
- 如何构造易于实施且能检测广泛偏离的非参数条件独立检验，并将其用于教育回报研究中无混杂假设的一项可检验推论？
- 方法与思路
- 作者以 GCR 函数衡量受限与非受限概率测度之间的距离，结合核平滑及积分条件矩统计量，并通过条件模拟获得临界值。
- 材料陈述的贡献
- 摘要称，检验具有一致性及 n⁻¹ᐟ² 阶局部功效，能够检测任意偏离；模拟考察有限样本表现，并提供教育回报应用。
- 阅读关注点
- 应核对 GCR 函数和核带宽条件、条件模拟的有效性，以及应用所检验的无混杂推论究竟对原识别假设施加何种约束。
- 阅读边界
- 仅依据所给 Crossref 摘要；具体正则条件与模拟结果未说明，检验无混杂的一项推论不能据此验证完整的无混杂假设。
原文摘要
This paper proposes a nonparametric test for conditional independence that is easy to implement, yet powerful in the sense that it is consistent and achieves n −1/2 local power. The test statistic is based on an estimator of the topological “distance” between restricted and unrestricted probability measures corresponding to conditional independence or its absence. The distance is evaluated using a family of Generically Comprehensively Revealing (GCR) functions, such as the exponential or logistic functions, which are indexed by nuisance parameters. The use of GCR functions makes the test able to detect any deviation from the null. We use a kernel smoothing method when estimating the distance. An integrated conditional moment (ICM) test statistic based on these estimates is obtained by integrating out the nuisance parameters. We simulate the critical values using a conditional simulation approach. Monte Carlo experiments show that the test performs well in finite samples. As an application, we test an implication of the key assumption of unconfoundedness in the context of estimating the returns to schooling.