非对称最小二乘估计与检验

@文章{Newey1987AsymetricLS,title={非对称最小二乘估计和测试},author={惠特尼·纽伊和詹姆斯·鲍威尔},期刊={计量经济学},年份={1987年},体积={55},页码={819-847},url={https://api.semanticscholar.org/CorpusID:40384446}}
本文考虑了基于非对称最小二乘准则函数n的回归模型的位置测度的估计和测试。这些估计量具有类似于回归分位数的性质,但更容易计算,相应的测试统计量也是如此。在渐近相对效率方面,同方差和s对称性的非对称最小二乘检验与这些假设的其他检验相比相当有利。因此

本文图表

非对称最小二乘回归估计:非参数方法*

本文利用非对称最小二乘(ALS)方法研究回归期望值和百分位值的非参数估计,其中给出了平方误差损失函数

普通最小二乘与最小绝对误差估计的比较

在具有异方差误差的线性回归模型中,我们考虑了两种检验:一种是比较普通最小二乘(OLS)和最小绝对误差(LAE)估计量的豪斯曼检验,另一种是基于检验的检验

用最小绝对误差估计估计非线性动态模型

我们考虑了一个既没有独立误差也没有同分布误差的动态非线性模型的最小绝对误差估计。估计量被证明是一致的和渐近的

异方差位置尺度时间序列模型的推论及其在VaR和ES估计中的应用

本文首先考虑非线性期望回归模型来估计条件期望短缺(ES)和价值风险(VaR)。在文献中,非对称最小二乘法(ALS)

非线性和非参数回归的异方差检验

本文提出了非线性和非参数回归模型中异方差的新的非参数检验。测试在零下具有渐近标准正态分布

第k次幂期望估计与检验

本文发展了k次幂期望估计理论,并考虑了其对线性回归模型系数的相关假设检验。我们证明了渐近协方差

估计函数可能不可微的M?估计的稳健假设检验

针对估计函数可能不可微的Mesimator(可能是非线性的)约束,提出了一种新的稳健假设检验方法,该方法使用由递归M-ESTimator计算的随机规范化矩阵来消除由渐近协方差矩阵引起的干扰参数。

在不平滑的情况下测试条件对称性

我们测试了用于识别和估计具有内生回归变量的回归模型中参数的条件对称假设,而不做任何分布假设。这个

基于复合非对称最小二乘和经验似然的条件尾部相关风险估计。

在本文中,通过使用复合非对称最小二乘法(CALS)和经验似然法,我们提出了一个两步程序来估计条件风险值(VaR)和条件期望值

利用非对称最小二乘回归计算异方差的GEE新方法

摘要广义估计方程广泛用于纵向数据分析;然而,它们不适用于异方差数据,因为它们只估计回归因子对
...

计量经济学中的规范测试

利用这样的结果:在无误指定的零假设下,渐近有效估计量必须具有零渐近协方差,且其与一致但

具有不等相依误差回归的极限定理

本文研究多元线性回归系统参数的向量最小二乘估计(LSE)的渐近分布。假设回归常数为

异方差和随机系数变异的简单检验(计量经济学第47卷

利用拉格朗日乘数检验框架,对线性回归模型中的异方差干扰进行了简单检验。对于广泛的异方差和随机

异方差一致协方差矩阵估计及异方差的直接检验

本文提出了一种参数协方差矩阵估计,即使线性回归模型的扰动是异方差的,它也是一致的。此估计量不依赖于形式

稳健地使用残差I:异方差、非线性测试

导言。在过去的几年中,人们提出了各种方法来估计线性模型的参数,这些方法对误差的正态性偏离不太敏感

非线性回归模型的自适应估计

本文从计量经济学的角度总结了统计学家最近在自适应估计方面的工作。它还提出了关于非线性回归的自适应估计的新发现

Hodges-Lehmann估计的非对称性检验

摘要Hodges-Lehmann估计量的一个版本,=中值{(Xi+Xj)/2,1≤i,j≤n},也是从特定的Cramer-von-Mises距离导出的最小距离估计量。这个距离

非标准条件下极大似然估计的性质

本文证明了最大似然估计量在弱于一般条件下的一致性和渐近正态性。特别是,(i)不假设真实分布