Exact Skewness-Kurtosis Tests for Multivariate Normality and Goodness-of-Fit in Multivariate Regressions with Application to Asset Pricing Models
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.023 | 0.173 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.003 | 0.005 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".