报告题目：

偏均值依赖性的无模型检验与测度

报 告 人：钟威教授

报告摘要：在回归建模中，研究给定协变量Z时协变量子集W对响应变量Y的重要性是非常重要的。为此，我们提出了一种基于深度神经网络和数据分割的部分均值独立性的显著性检验。在零假设下，检验统计量收敛于标准卡方分布，而在替代假设下，它收敛于正态分布。我们提出了一种基于多数据分割的强大集成算法，以增强测试能力。如果零假设被拒绝，我们在控制了Z的非线性效应后，提出了一个部分广义相关测度（pGMC）来测度给定W的Y的部分均值依赖性。我们给出了pGMC的理论性质，并建立了其具有最优根N收敛率的估计量的渐近正态性。此外，还导出了pGMC的有效置信区间。作为一个重要的特例，当不存在条件协变量Z时，我们考虑在无模型设置中协变量对响应的总体显著性的新检验。进行了数值研究和实际数据分析，与现有方法进行比较，说明我们的程序的有效性。

报告人简介：钟威，教授，厦门大学王亚南经济研究院、经济学院统计学与数据科学系

报告时间：2023年06月08日 15:00-16:30

报告地点:  哲理楼 139

联 系 人：李天然