Testing for Consistency using Artificial Regressions
利用辅助回归检验估计量的一致性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：虽然检验框架具有一般性，摘要明确在二元选择模型中考察信息矩阵检验及其变体，提供了离散选择分类依据。
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
利用辅助回归检验估计量的一致性
- 研究问题
- 如何理解并改善 Durbin–Wu–Hausman 检验的功效，以及在一般非线性模型中通过辅助回归检验参数一致性？
- 方法与思路
- 作者比较两组参数估计，研究线性模型中的功效，并修改可计算 LM 检验的辅助线性回归，将相关检验写成得分形式。
- 材料陈述的贡献
- 摘要称，论文提出某些情形下改善功效的方法，构造检验参数一致性的信息矩阵检验变体，并给出二元选择模型的计算方式。
- 阅读关注点
- 应核对两组估计量的原假设性质、改善功效所需条件，以及辅助回归与得分检验的对应关系和二元选择模型实现。
- 阅读边界
- 摘要未说明功效改善适用的具体情形、完整正则条件或有限样本结果，不能据此认为新检验在所有模型中表现更好。
原文摘要
We consider several issues related to Durbin-Wu-Hausman tests; that is, tests based on the comparison of two sets of parameter estimates. We first review a number of results about these tests in linear regression models, discuss what determines their power, and propose a simple way to improve power in certain cases. We then show how in a general nonlinear setting they may be computed as “score” tests by means of slightly modified versions of any artificial linear regression that can be used to calculate Lagrange multiplier tests, and explore some of the implications of this result. In particular, we show how to create a variant of the information matrix test that tests for parameter consistency. We examine the conventional information matrix test and our new version in the context of binary-choice models, and provide a simple way to compute both tests using artificial regressions.