AN ASYMPTOTIC EXPANSION OF THE DISTRIBUTION OF THE DM TEST STATISTIC
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Asymptotically, the Distance Metric (DM) test statistic has a chi-squared distribu-tion. In practice, however, this is infeasible since the sample size is finite. It is expected that after Edgeworth expansion, the distribution of the corrected DM test statistic be closer to a chi-squared distribution than the uncorrected one. This paper mainly has three parts: in the theoretical part, Edgeworth approximation of the distribution of the DM test statistic is derived and a Bartlett-type correction factor is obtained; in the simulation part, examples of covariance structures are given to illustrate the theoretical results; in the application part, the theoretical results are applied to study the covari-ance structures of earnings. The contributions of this paper are: (i) it can be viewed as complementary to both Phillips and Park (1988) and Hansen (2006) in that it relaxes the basic requirement of nonlinear restrictions in some sense; (ii) it extends Hansen (2006) to multiple restrictions (possibly large number of degrees of freedom) and vari-ous models; (iii) it explains and provides a solution to the long-existing “troublesome” discrepancy puzzle in labor economics literature that a longer panel reverses the original inference; (iv) the theoretical results are distribution-free. JEL Classification: C12
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle