Robust inference via multiplier bootstrap
通过乘子自助法进行稳健推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论通用回归与同时推断，未明确涉及金融尾部风险或其他所列具体计量领域，因此暂不分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
通过乘子自助法进行稳健推断
- 研究问题
- 面对重尾观测噪声，如何构造可靠的置信集合并开展大规模同时检验，以缓解最小二乘方法的有限样本问题？
- 方法与思路
- 作者将自适应Huber回归与乘子自助法结合，研究置信集合和同时假设检验，并通过理论与实证结果评估方法。
- 材料陈述的贡献
- 摘要称该组合为最小二乘提供了有用的稳健替代方案，理论与实证结果支持其在重尾数据推断中的有效性。
- 阅读关注点
- 核对噪声矩条件、Huber阈值选择、乘子构造及同时检验校准方式，并检查理论保证与实证比较的适用范围。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；具体误差界、维度条件和实证结果未说明，重尾主题不足以认定金融风险应用。
原文摘要
This paper investigates the theoretical underpinnings of two fundamental statistical inference problems, the construction of confidence sets and large-scale simultaneous hypothesis testing, in the presence of heavy-tailed data. With heavy-tailed observation noise, finite sample properties of the least squares-based methods, typified by the sample mean, are suboptimal both theoretically and empirically. In this paper, we demonstrate that the adaptive Huber regression, integrated with the multiplier bootstrap procedure, provides a useful robust alternative to the method of least squares. Our theoretical and empirical results reveal the effectiveness of the proposed method, and highlight the importance of having inference methods that are robust to heavy tailedness.