Testando duas amostras independentes para nulo da mesma inclinação?

Quais testes estão disponíveis para testar duas amostras independentes para a hipótese nula de que elas provêm de populações com a mesma inclinação? Existe um teste clássico de 1 amostra para determinar se a inclinação é igual a um número fixo (o teste envolve o sexto momento da amostra!); existe uma tradução direta para um teste de 2 amostras?

Existem técnicas que não envolvem momentos muito altos dos dados? (Estou antecipando uma resposta no formato 'bootstrap it': as técnicas de bootstrap são conhecidas por serem apropriadas para esse problema?)

Momentos L podem ser úteis aqui?

Artigo da Wikipedia

A página de momentos L (Jonathan RM Hosking, IBM Research)

Eles fornecem quantidades análogas aos momentos convencionais, como assimetria e curtose, denominados l-assimetria e l-curtose. Eles têm a vantagem de não exigir o cálculo de momentos altos, pois são calculados a partir de combinações lineares dos dados e definidos como combinações lineares dos valores esperados das estatísticas da ordem. Isso também significa que eles são menos sensíveis aos valores extremos.

Acredito que você só precisa de momentos de segunda ordem para calcular suas variações de amostra, o que provavelmente você precisaria para o seu teste. Além disso, sua distribuição assintótica converge para uma distribuição normal muito mais rapidamente que os momentos convencionais.

Parece que as expressões para suas variações de amostra ficam bastante complicadas (Elamir e Seheult 2004), mas eu sei que elas foram programadas em pacotes para download para R e Stata (disponíveis em seus repositórios padrão), e talvez em outros pacotes também para todos eu sei. Como suas amostras são independentes, depois de obter as estimativas e os erros padrão, basta conectá-los a um teste z de duas amostras se o tamanho das amostras for "grande o suficiente" (Elamir e Seheult relatam algumas simulações limitadas que parecem mostrar que 100 não é grande o suficiente, mas não o que é). Ou você pode fazer o bootstrap da diferença no desvio de l. As propriedades acima sugerem que podem ter um desempenho consideravelmente melhor do que o bootstrapping com base na assimetria convencional.