我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
当半参数模型中的参数在零点下不可识别时,我们考虑假设的检验,其中轮廓似然理论的正则性条件失败。构造了基于综合剖面似然的指数平均检验,证明了在加权平均功率准则下,相对于模型不可识别方面的先验,该检验是渐近最优的。这些结果扩展了参数模型的现有结果,与我们的结果相比,参数模型涉及对备选方案形式的更多限制性假设。此外,拟议的测试适用于具有无限维干扰参数的模型,这些参数可能无法识别,也可能无法以通常的参数率进行估计。示例包括使用当前状态数据测试Cox模型中是否存在变化点,以及使用右删失数据测试奇数率模型中的回归参数。之前还没有针对这些场景研究过最佳测试。我们研究了在零、固定邻接方案和随机邻接方案下所提出的检验的渐近分布。我们还提出了一种加权引导程序,用于计算测试统计的临界值。最佳测试在模拟研究中表现良好,与替代测试相比,它们可能表现出更强的能力。
芮松。 迈克尔·科索罗克(Michael R.Kosorok)。 杰森·P·好。 “关于半参数模型中可识别性损失下的渐近最优检验。” 安。统计师。 37 (5安培) 2409 - 2444, 2009年10月。 https://doi.org/10.1214/08-AOS643