Exact Skewness-Kurtosis Tests for Multivariate Normality and Goodness-of-Fit in Multivariate Regressions with Application to Asset Pricing Models
Notice bibliographique
Résumé
Dans cet article, nous proposons des tests sur la forme de la distribution des erreurs dans un modèle de régression linéaire multivarié (RLM). Les tests que nous développons sont fonction des résidus obtenus par moindres carrés multivariés, lesquels sont standardisés de façon à ce que leur distribution soit invariante à la matrice de covariance, inconnue, des erreurs. Notre approche utilise des mesures empiriques d'asymétrie et d'aplatissement de la distribution des erreurs, que nous comparons à des estimations engendrées par simulation de ces caractéristiques sous cette même hypothèse distributionnelle. Les cas spécifiques que nous étudions comprennent des tests sur les erreurs du modèle dans le cadre des lois normale, t de Student, mélange de normales et stable. Dans le cas gaussien, nous obtenons des versions exactes de tests d'ajustement standards sur l'asymétrie et l'aplatissement des erreurs dans le cas multivarié. À cette fin, nous utilisons des tests de Monte Carlo simples, doubles et multiples. Dans les cas non-gaussiens, comme les familles de lois dépendent de paramètres de nuisance, nous proposons des régions de confiance pour ces derniers et la distribution des erreurs. Les procédures introduites dans cet article sont alors évalulées par une simulation de petite taille. Finalement, les tests proposés sont appliqués à un modèle d'évaluation d'actifs impliquant un taux d'intérêt sans risque observable et utilisant les rendements de portefeuilles mensuels de titres inscrits à la bourse de New York, sur des sous-périodes de cinq ans allant de janvier 1926 à décembre 1995.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,023 | 0,173 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».