跳转至

Model Checking in Partially Linear Spatial Autoregressive Models

作者: Zixin Yang, Xiaojun Song, Jihai Yu
来源: Journal of Business & Economic Statistics
主题: 数理统计 / 假设检验
相关性: 4/10
机构绿灯: Peking University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1080/07350015.2024.2301958

一、领域脉络与小综述

这个方向是什么 这个子方向要解决的根本统计问题是：在空间计量经济学中，当数据存在空间相依性（即个体的结果不仅受自身特征影响，还受地理或经济网络中邻近个体的结果影响）时，如何检验所设定的线性空间自回归（SAR）模型是否正确指定？具体而言，如何检验模型中遗漏的非参数非线性成分是否为零？当前该方向的成熟度处于“有成熟参数估计理论，但非参数模型检验工具尚在填补空白”的阶段：SAR 模型的 M-estimation 与渐近理论已相对完备，但针对其模型设定（尤其是半参数部分）的检验，长期受制于空间相关性带来的依赖数据非参数检验难题（如带宽选择、依赖数据下经验过程的收敛）。

发展脉络 把 introduction 引用的工作串成一条线： - 奠基工作：Ord (1975) 与 Anselin (1988) 建立了 SAR 模型的参数框架与极大似然估计（MLE）理论，Lee (2004) 则为 SAR 的 M-estimation 提供了严密的渐近分布理论，构成了空间计量参数推断的地基。但它们均假设模型线性设定正确，留下“若设定错误，推断失效”的口子。 - 主要进展（参数检验）：Su & Jin (2010) 与 Jin & Lee (2013) 提出了基于广义矩方法（GMM）与残差的 SAR 模型设定检验。作者引用指出，这些检验属于参数性设定检验，无法检测非参数形式的模型误设，且往往依赖带宽选择。 - 主要进展（非参数与半参数估计）：Su (2012) 与 Su & Jin (2012) 将 SAR 模型推广至半参数（部分线性）与非参数设定，给出了非参数成分的核估计与收敛速率。这为“检验非参数成分是否为零”提供了估计基础，但未提供检验工具。 - 当前 frontier（ICM 框架引入）：Bierens (1982, 1990) 与 Stinchcombe & White (1998) 在独立数据下提出了 Integrated Conditional Moment (ICM) 棆验，通过残差标记经验过程的积分构造无 tuning parameter 的检验。Escanciano (2006) 将其推广至时间序列（依赖数据）。作者明确指出，ICM 框架尚未被引入空间依赖数据设定，这是本文切入的口子。 - 本文的位置：填补“空间相依数据下的无 tuning parameter 非参数模型检验”这一空白，将 ICM 从时间序列推广至 SAR 面板/截面数据，并解决 SAR 参数估计的 \(\sqrt{n}\)-一致性对残差标记经验过程渐近展开的干扰问题。

子线索聚类 被引文献大致落在三条子线索上： 1. SAR 参数估计与渐近理论：Lee (2004), Kelejian & Prucha (1998, 1999)。这一簇在做：为 SAR 模型的 QMLE/GMM 估计提供 \(\sqrt{n}\)-一致性与渐近正态性的数理基础，处理空间权重矩阵 \(W_n\) 随 \(n\) 增长的序列极限。 2. SAR 模型设定检验（参数路线）：Su & Jin (2010), Jin & Lee (2013)。这一簇在做：构造参数化的 Hausman-type 或条件矩检验，检测是否遗漏了某个已知形式的变量，但对未知形式的非线性误设无检测力。 3. ICM 检验与依赖数据经验过程：Bierens (1982, 1990), Escanciano (2006), Delgado & Manteiga (2000)。这一簇在做：在独立或时间序列数据下，用残差与协变量的标记经验过程构造检验，证明其能检测 \(n^{-1/2}\) 速率的局部偏离，且无需带宽。

这个方向在追问的核心问题 1. 如何在不指定误设具体形式的前提下，检测 SAR 模型的非线性误设？（当前瓶颈：参数检验只能检测已知方向偏离，非参数检验依赖带宽且在空间数据下渐近性质未明。） 2. 在空间相依数据下，非参数检验能否达到参数速率（\(n^{-1/2}\)）的局部检测力？（当前瓶颈：非参数核检验的局部偏离速率通常慢于 \(n^{-1/2}\)，如 \(n^{-1/2}h^{-1/2}\)。） 3. 如何逼近依赖数据下复杂检验统计量的临界值？（当前瓶颈：空间数据的 bootstrap 方案远比独立/时间序列复杂，且需保持空间结构。）

⚠️ 作者的 framing - 作者把缺口 frame 成什么：作者将缺口 frame 为“现有 SAR 模型检验要么是参数化的（只能检测特定方向），要么是非参数的但依赖带宽且局部检测力慢于 \(n^{-1/2}\)”，而 ICM 检验是“显然的下一步”，因为它在时间序列中已证明能无带宽地检测 \(n^{-1/2}\) 偏离，只需将其推广至空间数据。 - 哪些竞争路线被他淡化或回避了：作者未提及基于核条件矩检验（如 Härdle & Mammen 1993 型的 smooth test）在空间数据下的最新进展，也未讨论高阶影响函数（HOIF）型检验（后者在独立数据下已被证明能提升局部 power）。此外，对空间权重矩阵 \(W_n\) 的假设（如行和有界）被当作技术条件给出，但未讨论当 \(W_n\) 为稀疏/高维网络（行和随 \(n\) 增长）时，ICM 检验是否仍成立——这是被回避的竞争设定。 - 什么明显该被引 / 该存在、却没出现在 intro 里：关于高维/稀疏网络下的 SAR 模型推断（如 Lee & Yang 2020 等处理行和发散的工作），以及半参数模型的高阶影响函数检验（如 Robins et al. 2008, 2017 的 HOIF 检验理论）。这两条线索若存在，会直接挑战本文“行和有界”假设的适用范围，以及“ICM 是最优无带宽检验”的隐含定位。

张力 未见明显对立引用。被引的参数检验与非参数检验工作在“检测目标”上互补而非矛盾；ICM 在时间序列的成功与在 SAR 的空白是顺延而非张力。潜在的张力隐藏在技术假设中：Lee (2004) 的 SAR 理论允许某些空间矩阵行和发散，但本文的 ICM 推导严格依赖行和有界（Assumption 4），这一条件差异未被作者作为张力讨论。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 参数 / estimand：
  • \(\lambda\)：空间自回归参数，表示邻近个体结果对自身结果的影响强度。
  • \(\beta\)：线性回归系数向量（\(k\) 维）。
  • \(m(\cdot)\)：非参数函数，本文的检验目标即 \(H_0: m(Z_{ni}) = 0\) 对所有 \(i\)。
  • 随机变量 / 样本：
  • \(Y_{ni}\)：第 \(i\) 个个体的可观测结果（\(i=1,\dots,n\)）。
  • \(X_{ni}\)：第 \(i\) 个个体的 \(k\) 维可观测线性协变量。
  • \(Z_{ni}\)：第 \(i\) 个个体的 \(d\) 维可观测非参数协变量（可能包含 \(X_{ni}\) 的子集或额外变量）。
  • \(\varepsilon_{ni}\)：不可观测的误差项，满足 \(E(\varepsilon_{ni}|X_{ni}, Z_{ni})=0\)。
  • 维数 / 样本量等指标：
  • \(n\)：截面个体数（样本量）。
  • \(k\)：线性协变量维数（固定，不随 \(n\) 增长）。
  • \(d\)：非参数协变量维数（固定）。
  • 潜在 / 不可观测量：
  • \(S_n(\lambda) = I_n - \lambda W_n\)：空间滤波矩阵，其中 \(I_n\) 为 \(n \times n\) 单位阵，\(W_n\) 为已知的空间权重矩阵。\(S_n(\lambda)\) 是不可直接观测的矩阵算子，需通过估计 \(\lambda\) 来构造。
  • 模型：
  • 部分线性空间自回归（PLSAR）模型：\(Y_{ni} = \lambda \sum_{j=1}^n W_{nij} Y_{nj} + X_{ni}^\top \beta + m(Z_{ni}) + \varepsilon_{ni}\)。
  • 矩阵形式：\(S_n(\lambda) Y_n = X_n \beta + m(Z_n) + \varepsilon_n\)，其中 \(Y_n, \varepsilon_n\) 为 \(n \times 1\) 向量，\(X_n\) 为 \(n \times k\) 矩阵，\(m(Z_n)\) 为 \(n \times 1\) 向量。
  • 数据生成机制：给定已知 \(W_n, X_n, Z_n\)，误差 \(\varepsilon_n\) 独立同分布且条件均值为零，\(Y_n\) 由上述线性方程组内生决定（\(Y_n = S_n^{-1}(\lambda)[X_n \beta + m(Z_n) + \varepsilon_n]\)）。
  • 要估的对象：\(\lambda, \beta\)（在 \(H_0\) 下用 QMLE 估），\(m(\cdot)\)（在 \(H_1\) 下用核估计估）。
  • 可观测数据：
  • 研究者实际能观测到的是 \((Y_n, X_n, Z_n, W_n)\)。\(W_n\) 是已知的外生网络结构矩阵。不可观测的是 \(\varepsilon_n\) 与真实的 \(\lambda, \beta, m(\cdot)\)，只能靠假设（\(H_0\)）与估计去识别残差 \(\hat{\varepsilon}_{ni}\)。

第二步：讲最小内核

剥掉所有空间矩阵的渐近技术假设（如 \(W_n\) 行和有界、范数收敛）、多维协变量与投影版本的复杂度，支撑整篇论文的最小内核是：\(d=1\)（单变量非参数协变量 \(Z\)）、使用 \(L_2\) 范数型 ICM 统计量的特例。

在这个特例下： - 模型退化：\(Y_i = \lambda W_i Y + X_i^\top \beta + m(Z_i) + \varepsilon_i\)，\(Z_i\) 为 1 维标量。 - 检验目标：\(H_0: m(Z_i) = 0\) 对所有 \(i\)。 - 核心思路：如果 \(m(Z_i)=0\)，那么真实残差 \(\varepsilon_i\) 应满足 \(E(\varepsilon_i | Z_i) = 0\)。由于 \(\varepsilon_i\) 不可观测，我们用 \(H_0\) 下的 QMLE 估计残差 \(\hat{\varepsilon}_i\)。ICM 的核心想法是：不直接检验 \(E(\hat{\varepsilon}_i | Z_i)=0\)（这需要带宽做核回归），而是检验一个等价的无穷维矩条件：\(E[\hat{\varepsilon}_i \cdot \exp(t Z_i)] = 0\) 对所有 \(t \in \mathbb{R}\) 成立。 - 最小内核统计量：\(T_n = \int_{\mathbb{R}} \left( \frac{1}{\sqrt{n}} \sum_{i=1}^n \hat{\varepsilon}_i \exp(t Z_i) \right)^2 d\mu(t)\)，其中 \(\mu(t)\) 是一个给定的权重测度（如标准正态分布的密度）。 - 为什么这个内核能成立（证明怎么走）： 1. 等价性：在独立数据下，Bierens (1990) 证明 \(E(\varepsilon|Z)=0 \iff E[\varepsilon \exp(tZ)]=0 \forall t\)。本文在空间数据下沿用此等价性。 2. 替换残差的干扰：\(\hat{\varepsilon}_i = \varepsilon_i - (\hat{\lambda}-\lambda)W_i Y - (\hat{\beta}-\beta)X_i\)。由于 \(\hat{\lambda}, \hat{\beta}\) 是 \(\sqrt{n}\)-一致的，替换残差带来的干扰项是 \(O_p(n^{-1/2})\)，与经验过程的主信号同阶。 3. 关键跳跃：在独立数据下，参数估计的干扰可以通过投影消除或证明为可忽略；但在 SAR 模型中，\(W_i Y\) 是内生变量（依赖所有个体的 \(\varepsilon\)），导致干扰项 \(\frac{1}{\sqrt{n}}\sum_i (\hat{\lambda}-\lambda) W_i Y \exp(tZ_i)\) 的方差结构极其复杂。本文通过将 \(W_i Y\) 分解为 \(S_n^{-1}(\lambda)[X_i\beta + \varepsilon_i]\)，并利用空间矩阵的行和有界假设，证明该内生干扰项在积分后收敛到一个确定的极限分布偏移，从而可以被精确扣除。 4. 局部检测力：在局部替代 \(H_{1n}: m(Z_i) = n^{-1/2} \delta(Z_i)\) 下，残差 \(\hat{\varepsilon}_i\) 包含 \(n^{-1/2}\delta(Z_i)\) 的信号，经验过程 \(\frac{1}{\sqrt{n}}\sum_i \hat{\varepsilon}_i \exp(tZ_i)\) 的信号项为 \(\int \delta(z) \exp(tz) f(z) dz\)，不随 \(n\) 衰减，因此 \(T_n\) 能检测 \(n^{-1/2}\) 速率的偏离——这是无带宽非参数检验能达到的最快速率。

三、这篇论文做了什么

三句话 ① 研究了部分线性空间自回归（PLSAR）模型中线性设定（\(m(Z)=0\)）的正确性检验问题。 ② 核心工具是基于残差标记经验过程（residual marked empirical process）及其投影的 Integrated Conditional Moment (ICM) 方法，配合 multiplier bootstrap 逼近临界值。 ③ 主要结论是：构造的两类 ICM 检验统计量在 null、固定 alternative 及 \(n^{-1/2}\) 速率的局部 alternative 下均具有明确的渐近分布，无需带宽选择，且 multiplier bootstrap 在空间相依数据下有效。

关键设定与假设 在第二节最小记号基础上补全： - Assumption 1 (参数空间)：\(\lambda \in \Lambda\)（紧集），真实 \(\lambda_0\) 在内点；保证 QMLE 的 \(\sqrt{n}\)-一致性。 - Assumption 2 (误差)：\(\varepsilon_{ni}\) i.i.d.，条件均值零，有限矩条件（4阶或6阶，视定理而定）。 - Assumption 3 (协变量)：\(X_{ni}, Z_{ni}\) 的分布满足支撑集有界、密度函数平滑等常规非参数条件。 - Assumption 4 (空间矩阵，核心限制)：\(W_n\) 的行和与列和均一致有界（uniformly bounded row and column sums），且 \(S_n^{-1}(\lambda)\) 的行和列和也一致有界。统计含义：这限制了空间溢出效应的强度，保证空间相关不会随 \(n\) 爆炸；相比已有文献：Lee (2004) 的 QMLE 理论允许列和发散，本文的 ICM 检验强化了此假设，以控制内生干扰项的经验过程收敛。 - Assumption 5 (识别与极限)：\(S_n(\lambda)\) 的极限谱密度存在且非零，保证 QMLE 的渐近正态性。

主要结果 - Theorem 1 (Null 下的渐近分布)：在 \(H_0: m(Z)=0\) 下，QMLE 残差 \(\hat{\varepsilon}_n\) 构造的标记经验过程 \(\hat{R}_n(t, z) = \frac{1}{\sqrt{n}}\sum_{i=1}^n \hat{\varepsilon}_{ni} \exp(t^\top Z_{ni}) I(Z_{ni} \le z)\) 收敛到一个零均值的 Gaussian 过程。连续泛函统计量 \(T_{n1} = \int \hat{R}_n(t, z)^2 d\mu(t) dF(z)\) 收敛到该 Gaussian 过程对应泛函的分布。 - 直觉：残差替换带来的参数估计干扰项，在行和有界与 QMLE \(\sqrt{n}\)-一致性下，被证明为可精确刻画并吸收进极限过程的协方差结构。 - 必要条件：QMLE 的 \(\sqrt{n}\)-一致性、\(W_n\) 与 \(S_n^{-1}\) 行和有界。 - Theorem 2 (局部 Alternative 的检测力)：在 \(H_{1n}: m(Z_{ni}) = n^{-1/2} \delta(Z_{ni})\) 下，\(\hat{R}_n(t, z)\) 收敛到一个非零均值的 Gaussian 过程，均值偏移量为 \(\int \delta(z) \exp(t^\top z) I(z \le z_0) f(z) dz\)。因此 \(T_{n1}\) 的分布向右偏移，检验具有非零渐近 power。 - 直觉：\(n^{-1/2}\) 的非参数信号在 \(\sqrt{n}\) 的经验过程求和下被放大为 \(O(1)\) 的偏移。 - 解决的技术难点：在局部替代下，残差 \(\hat{\varepsilon}_{ni}\) 包含 \(m(Z_{ni})\) 的信号，同时参数估计 \(\hat{\lambda}, \hat{\beta}\) 的误差也与 \(m(Z_{ni})\) 耦合，本文成功将这两类偏移分离并显式表达。 - Theorem 3-4 (投影版本统计量 \(T_{n2}\))：将 \(\hat{R}_n(t, z)\) 对 \(z\) 投影，得到 \(\hat{V}_n(t) = \frac{1}{\sqrt{n}}\sum_{i=1}^n \hat{\varepsilon}_{ni} \exp(t^\top Z_{ni})\)，构造 \(T_{n2} = \int \hat{V}_n(t)^2 d\mu(t)\)。在 null 与局部 alternative 下有类似 Theorem 1-2 的渐近结果，但计算更简便（无需积分 \(I(Z \le z)\) 部分）。 - Theorem 5 (Multiplier Bootstrap 的有效性)：基于独立同分布的 multiplier 随机变量 \(e_i\)（如 Rademacher 或标准正态），构造 bootstrap 经验过程 \(\hat{R}_n^*(t, z) = \frac{1}{\sqrt{n}}\sum_{i=1}^n e_i \hat{\varepsilon}_{ni} \exp(t^\top Z_{ni}) I(Z_{ni} \le z)\)，证明其条件分布收敛到与 Theorem 1 相同的 Gaussian 过程。 - 直觉：multiplier 方法在空间数据下有效，是因为残差 \(\hat{\varepsilon}_{ni}\) 的空间相关性已被吸收进其方差结构，乘上独立的 \(e_i\) 后，bootstrap 过程的协方差结构在条件期望下复原了原极限过程的协方差。

证明路线与技术技巧 - 整体路线： 1. 建立 \(H_0\) 下 QMLE 的 \(\sqrt{n}\)-一致性及渐近线性表示（\(\hat{\theta}-\theta_0 = \frac{1}{n}\sum H_n(\varepsilon) + o_p(n^{-1/2})\)）。 2. 将残差 \(\hat{\varepsilon}_{ni}\) 展开：\(\hat{\varepsilon}_{ni} = \varepsilon_{ni} - (\hat{\lambda}-\lambda_0) G_{ni} - (\hat{\beta}-\beta_0)^\top X_{ni} + \text{remainder}\)，其中 \(G_{ni} = W_{ni} Y_n\) 是内生空间滞后项。 3. 将标记经验过程 \(\hat{R}_n\) 分解为：主信号项（真实 \(\varepsilon\) 的经验过程）+ 参数干扰项（\(\hat{\lambda}-\lambda_0\) 与 \(\hat{\beta}-\beta_0\) 引起的项）+ 余项。 4. 证明主信号项收敛到 Gaussian 过程（依赖数据的 Donsker 定理）。 5. 关键跳跃：证明参数干扰项收敛到一个非随机的极限偏移（在 null 下为零偏移，在局部 alternative 下为确定性偏移），且余项 \(o_p(1)\) 可忽略。 6. 对泛函（积分）与投影应用连续映射定理，得统计量的渐近分布。 7. Bootstrap 路线：在条件期望下，multiplier 过程的协方差复原原过程协方差，用 multiplier CLT 与连续映射定理得 bootstrap 有效性。 - 关键跳跃点： - Lemma 1 / 空间滞后项的干扰控制：\(\frac{1}{\sqrt{n}}\sum_i (\hat{\lambda}-\lambda_0) G_{ni} \exp(t^\top Z_{ni}) I(Z_{ni} \le z)\) 这一项中，\(G_{ni} = S_n^{-1}(\lambda_0)[X_n\beta_0 + \varepsilon_n]\) 包含所有个体的 \(\varepsilon\)，导致求和的方差是 \(n \times n\) 矩阵的二次型。作者通过将 \((\hat{\lambda}-\lambda_0)\) 的渐近线性表示代入，将干扰项转化为 \(\varepsilon_n\) 的双二次型（bilinear form in \(\varepsilon\)），并利用 \(S_n^{-1}\) 与 \(W_n\) 的行和有界假设，证明该双二次型的方差收敛且均值可显式计算。 - 技术技巧点名： - Empirical process for dependent data：用于建立 \(\frac{1}{\sqrt{n}}\sum_i \varepsilon_{ni} \exp(t^\top Z_{ni}) I(Z_{ni} \le z)\) 的弱收敛，需验证 bracketing number 或泛函类在空间数据下的 Donsker 性。 - Bilinear form of quadratic forms in spatial matrices：处理 \(W_n S_n^{-1}\) 等空间矩阵乘积的迹与二次型极限，依赖行和有界假设与矩阵范数收敛。 - Multiplier bootstrap / Wild bootstrap：用独立 multiplier 乘残差，在条件期望下复原依赖数据的极限协方差结构，避免了对空间相关结构的直接估计。 - Bierens' equivalence theorem：利用 \(E[\varepsilon \exp(t^\top Z)]=0 \iff E[\varepsilon|Z]=0\) 的无穷维矩等价性，绕过带宽选择。

真实例子与应用 - 用的什么数据 / 场景：经济增长收敛实证。使用中国省级或地级市的面板数据（具体为 1996-2015 年中国 28 个省份的数据），检验经济增长的收敛模型是否为线性 SAR，或是否存在非参数的遗漏非线性结构。 - 怎么把本文方法用上去：将初始人均 GDP 作为 \(Z_{ni}\)（非参数协变量），其他控制变量（如投资率、人口增长率）作为 \(X_{ni}\)，构造线性 SAR 模型（\(H_0\)），用 QMLE 估计残差，计算 \(T_{n1}\) 与 \(T_{n2}\) 统计量，用 multiplier bootstrap 得 \(p\)-值。 - 得到什么结果：ICM 检验的 \(p\)-值显著小于 0.05，拒绝线性 SAR 模型设定，表明经济增长收敛中存在初始 GDP 对增长率的非线性影响，支持部分线性 SAR 模型。 - 这个例子想说明什么：验证理论（ICM 检验在真实空间数据下可操作、bootstrap 有效），并展示相对于参数检验的优势（能检测出参数 Hausman 检验无法发现的非线性误设）。

🔎 结论是否比证明窄 - Theorem 1-4 的渐近分布结论在 Assumption 4（行和有界）下严格证明，但作者在结论与 abstract 中泛泛 claim "able to detect a broad class of local alternatives converging to the null at the parametric rate \(n^{-1/2}\)"，未明确强调这一结论依赖于空间溢出效应受限（行和有界）。若 \(W_n\) 行和发散（如高维稀疏网络），\(n^{-1/2}\) 的检测力与无带宽性质是否成立，目前无证明也无讨论，这是一个 claim 比证明窄的地方。 - multiplier bootstrap 的有效性（Theorem 5）在 multiplier 服从特定分布（如 Rademacher）下严格证明，但作者泛泛称之为 "computationally simple to approximate the critical values"，未讨论当残差的空间相关性结构极度复杂时，bootstrap 的有限样本覆盖概率是否仍精确（这是依赖数据 bootstrap 的通病，本文未做有限样本理论修正）。

四、开放问题（点到为止，扎根具体语句）

  1. 行和发散网络下的 ICM 检验：本文 Theorem 1-4 严格依赖 Assumption 4（行和与列和一致有界）。若 \(W_n\) 为高维稀疏网络（行和随 \(n\) 发散，如社交网络），ICM 统计量的干扰项双二次型方差将不再收敛于有界常数，\(n^{-1/2}\) 的局部检测力是否仍成立？需重新推导 \(\frac{1}{\sqrt{n}}\sum_i G_{ni} \exp(t^\top Z_{ni})\) 的极限。（扎根：Assumption 4 及 Theorem 1 证明中 "uniformly bounded row and column sums" 的反复使用。）
  2. 高维协变量下的 ICM 检验 curse of dimensionality：本文假设 \(d\)（非参数协变量 \(Z\) 的维数）固定。当 \(d\) 随 \(n\) 增长或 \(d\) 较大时，ICM 的权重测度 \(\mu(t)\) 在 \(\mathbb{R}^d\) 上的积分与经验过程的 Donsker 类条件是否仍满足？投影版本 \(T_{n2}\) 是否在高维 \(Z\) 下仍保 power？（扎根：Theorem 3-4 的陈述中 \(t \in \mathbb{R}^d\) 且 \(d\) 固定，未讨论 \(d \to \infty\)。）
  3. HOIF 在空间数据下的 power 提升：ICM 检验的局部 power 偏移量为 \(\int \delta(z) \exp(t^\top z) f(z) dz\)，其方向由 \(\exp(t^\top z)\) 冠定。在独立数据下，HOIF (Higher-Order Influence Functions) 检验已被证明能通过高阶矩冠提升对特定 \(\delta(z)\) 方向的 power。在 SAR 模型下，是否能构造基于空间残差的高阶影响函数检验，以提升对局部 alternative 的 power？（扎根：Introduction 中 "able to detect a broad class of local alternatives" 的 claim，以及未引用 HOIF 文献的空白。）
  4. 带宽选择的完全回避是否掩盖了更优 power：作者 claim 无带宽是优势，但 Escanciano (2006) 等工作表明，带带宽的 smooth test 在特定局部 alternative 下（当 \(\delta(z)\) 与核函数匹配时）power 优于 ICM。在空间数据下，是否有带带宽的核条件矩检验能在行和有界下达到更优 power？（扎根：Introduction 对 Su & Jin (2010) 等带宽检验的批评 "involve the selection of tuning parameters"，以及未对比 power 上界的讨论。）

Maintained by 陈星宇 · Homepage · Source on GitHub

评论