Bootstrap and Wild Bootstrap for High Dimensional Linear Models
高维线性模型的自助法与野生自助法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：摘要讨论一般高维线性模型的分布近似，没有具体应用支持所列计量领域细分。
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
高维线性模型的自助法与野生自助法
- 研究问题
- 在线性模型维度随样本量增长时，自助法与野生自助法能否逼近线性对比和 F 检验统计量的分布，其有效范围与速率如何？
- 方法与思路
- 作者采用模型维度随样本量增加的渐近框架，研究两种自助程序，并将其有效范围与正态近似比较，讨论收敛速率差异。
- 材料陈述的贡献
- 摘要称在维度增长框架下，两种自助程序的收敛速率存在差异，这与通常固定维度的渐近分析形成不同结论。
- 阅读关注点
- 应核对维度与样本量的增长关系、设计矩阵和误差条件，检查两种重抽样程序以及线性对比和 F 统计量各自的适用范围。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；具体增长限制、速率和误差条件未说明，不能判断哪种自助程序普遍更优。
原文摘要
In this paper two bootstrap procedures are considered for the estimation of the distribution of linear contrasts and of F-test statistics in high dimensional linear models. An asymptotic approach will be chosen where the dimension p of the model may increase for sample size $n\rightarrow\infty$. The range of validity will be compared for the normal approximation and for the bootstrap procedures. Furthermore, it will be argued that the rates of convergence are different for the bootstrap procedures in this asymptotic framework. This is in contrast to the usual asymptotic approach where p is fixed.