Exact Tests for Contemporaneous Correlation of Disturbances in Seemingly Unrelated Regressions
Bibliographic record
Abstract
Cet article propose des procédures exactes pour tester la spécification SURE (régressions empilées) dans le contexte des régressions linéaires multivariées, i.e. si les perturbations des différentes équations sont corrélées ou non. Nous appliquons la technique des tests de Monte Carlo (MC) [Dwass (1957), Barnard (1963)] pour obtenir des tests d'indépendance exacts fondés sur les critères du quotient de vraisemblance (LR) et du multiplicateur de Lagrange (LM). Nous suggérons aussi un critère du type quasi-quotient de vraisemblance (QLR) dérivé sur base des moindres carrés généralisés réalisables (FGLS). Nous démontrons que ces statistiques sont libres de paramètres de nuisance sous l'hypothèse nulle, ce qui justifie l'application des tests de Monte Carlo. Par ailleurs, nous généralisons le test exact proposé par Harvey et Phillips (1982) au contexte des équations multiples. En particulier, nous proposons plusieurs tests induits basés sur des tests de type Harvey-Phillips et nous suggérons une technique basée sur des simulations afin de résoudre le problème de combinaison de tests. Nous évaluons les propriétés des tests que nous proposons dans le cadre d'une étude de Monte Carlo. Nos résultats montrent que les tests asymptotiques usuels présentent de sérieuses distorsions de niveau, alors que les tests de MC contrôlent parfaitement le niveau et ont une bonne puissance. De plus, les tests QLR se comportent bien du point de vue de la puissance; ce résultat est intéressant vu que les tests (multivariés) que nous proposons sont basés sur des simulations. La puissance des tests de MC induits augmente sensiblement par rapport aux tests fondés sur l'inégalité de Bonferroni et, dans certains cas, dépasse la puissance des tests de MC fondés sur la vraisemblance. Nous appliquons les tests sur des données utilisées par Fischer (1993) pour analyser des modèles de croissance.
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 | 0.029 | 0.194 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.002 | 0.004 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".