Locally Robust Kernel Specification Tests for Conditional Moment Restrictions
条件矩限制的局部稳健核设定检验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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：方法主体是通用条件矩检验，但摘要明确包含恒定条件处理效应检验及就业支持项目应用，因此有因果推断分类依据。
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
条件矩限制的局部稳健核设定检验
- 研究问题
- 当半参数条件矩模型含有高维干扰参数且由机器学习估计时，如何开展对干扰估计误差一阶不敏感的模型设定检验？
- 方法与思路
- 作者结合 Neyman 正交矩、交叉拟合和再生核希尔伯特空间构造检验，并使用无需重新估计干扰参数的乘子 bootstrap。
- 材料陈述的贡献
- 摘要称在局部备择与较弱干扰收敛率条件下建立可行和不可行检验过程的等价性，刻画局部功效并展示有限样本表现。
- 阅读关注点
- 应核对正交矩构造、核选择和干扰收敛率要求，以及局部备择、bootstrap 有效性和恒定条件处理效应检验的具体条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出具体速率与检验条件，不能认为任意机器学习估计都满足要求。
原文摘要
We develop kernel-based specification tests for semiparametric conditional moment models with high-dimensional nuisance parameters, extending existing conditional moment tests---which typically require asymptotically linear nuisance estimators---to accommodate modern machine-learning methods. The proposed locally robust kernel tests combine Neyman-orthogonal moments, cross-fitting, and reproducing kernel Hilbert space methods, yielding inference that is first-order insensitive to nuisance estimation error. We establish oracle equivalence between the feasible and infeasible test processes under local alternatives and weak nuisance-rate conditions, and characterize the resulting local power. A fast multiplier bootstrap avoids nuisance re-estimation. Applications include specification testing in high-dimensional linear and logistic regression, significance testing with machine-learning regressions, and tests of constant conditional treatment effects. Monte Carlo simulations and an application to the National Supported Work program illustrate the finite-sample performance of the proposed tests.