Empirical Likelihood Ratio Tests of Conditional Moment Restrictions With Unknown Functions
含未知函数的条件矩限制：经验似然比检验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：摘要聚焦含未知函数的一般条件矩检验，虽有恩格尔曲线应用，但未明确所列细分方向的模型结构，故暂不分类。
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
含未知函数的条件矩限制：经验似然比检验
- 研究问题
- 当条件矩限制包含未知函数、参数含无限维成分时，如何检验参数泛函及模型设定，并据此开展曲线函数的统计推断？
- 方法与思路
- 作者采用筛法条件经验似然比检验，处理含未知函数的条件矩模型，并研究参数泛函检验与模型设定检验的极限分布。
- 材料陈述的贡献
- 摘要称分别讨论两类检验在原假设及局部备择下的极限分布，并通过模拟考察有限样本表现，以恩格尔曲线区间和限制检验作应用。
- 阅读关注点
- 重点核对筛空间与复杂度选择、未知函数的估计条件，以及两类统计量在原假设和局部备择下的分布与临界值构造。
- 阅读边界
- 摘要未给出极限分布的具体形式、正则条件或模拟结果细节；仅凭恩格尔曲线应用，无法判断方法对其他模型的适用性。
原文摘要
This article introduces empirical likelihood ratio tests for conditional moment models in which the unknown parameter contains infinite-dimensional components. We allow unknown functions to be included in the conditional moment restrictions. We discusses (1) the limiting distribution of the sieve conditional empirical likelihood ratio (SCELR) test statistic for functionals of parameters under the null hypothesis and local alternatives; and (2) the limiting distribution of the SCELR test statistic for conditional moment restrictions (a consistent specification test) under the null hypothesis and local alternatives. A Monte Carlo study examines finite sample performance. We then apply these tests in an empirical application to construct confidence intervals for Engel curves and test restrictions on the curves.