Sequentially testing polynomial model hypotheses using power transforms of regressors
Notice bibliographique
Résumé
Summary We provide a methodology for testing a polynomial model hypothesis by generalizing the approach and results of Baek, Cho, and Phillips ( Journal of Econometrics , 2015, 187 , 376–384; BCP), which test for neglected nonlinearity using power transforms of regressors against arbitrary nonlinearity. We use the BCP quasi‐likelihood ratio test and deal with the new multifold identification problem that arises under the null of the polynomial model. The approach leads to convenient asymptotic theory for inference, has omnibus power against general nonlinear alternatives, and allows estimation of an unknown polynomial degree in a model by way of sequential testing, a technique that is useful in the application of sieve approximations. Simulations show good performance in the sequential test procedure in both identifying and estimating unknown polynomial order. The approach, which can be used empirically to test for misspecification, is applied to a Mincer ( Journal of Political Economy , 1958, 66 , 281–302; Schooling, Experience and Earnings , Columbia University Press, 1974) equation using data from Card (in Christofides, Grant, and Swidinsky (Eds.), Aspects of Labour Market Behaviour: Essays in Honour of John Vanderkamp , University of Toronto Press, 1995, 201‐222) and Bierens and Ginther ( Empirical Economics , 2001, 26 , 307–324). The results confirm that the standard Mincer log earnings equation is readily shown to be misspecified. The applications consider different datasets and examine the impact of nonlinear effects of experience and schooling on earnings, allowing for flexibility in the respective polynomial representations.
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.
Comment cette classification a été obtenuedéplier
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».