Symmetric diagnostics for the analysis of the residuals in regression models
回归模型残差分析的对称诊断方法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：摘要明确研究自回归误差诊断，并联系多种时间序列自相关检验，支持时间序列分类。
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
回归模型残差分析的对称诊断方法
- 研究问题
- 如何针对回归残差的分布偏离、自相关及空间相关构造贝叶斯诊断，并理解其与传统检验统计量的关系？
- 方法与思路
- 作者利用对称形式的 Kullback–Leibler 散度构造诊断，研究不同备择及先验，并通过线性近似联系已有检验。
- 材料陈述的贡献
- 摘要称给出 Dirichlet 过程备择下可精确计算的表达式，并在特定条件下联系乘子检验及多种相关性检验。
- 阅读关注点
- 应核对散度如何形成诊断、先验敏感性，以及与 Box–Pierce、Ljung–Box 等统计量联系所需的具体条件。
- 阅读边界
- 仅据版本未明的 OpenAlex 索引摘要；所述联系部分仅针对线性近似且依赖先验或零均值条件，不能视为普遍等价。
原文摘要
Typical alternative hypotheses in the analysis of residuals of a standard regression model are considered, and for each one a Bayesian diagnostic based on a symmetric form of the Kullback–Leibler divergence is determined. The results include an explicit expression for the diagnostic when the alternative hypothesis is that the errors are generated by an unknown distribution function with a Dirichlet process prior. This expression is immediately interpretable, exactly computable and endowed with important asymptotic connections. A linear approximation of the diagnostic reveals close links with the class of Lagrange multiplier test statistics. When the alternative hypothesis is that the errors are generated by an autoregressive process the linear approximation is proportional to the Box–Pierce statistic or to the Ljung–Box statistic, according to the characteristics of the prior, if the observations have zero mean; it depends on the Durbin–Watson statistic if the errors are first-order autoregressive, and it is related to the Cliff–Ord statistic if they are generated by a first-order spatial autoregression. The sensitivity to the prior of the diagnostic and of its linear approximation is also discussed.