Bootstrap inference in the presence of bias
存在偏误时的 Bootstrap 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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要提供跨多类估计问题的通用 Bootstrap 理论，动态面板仅是示例，缺少确定主领域的证据。
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…
存在偏误时的 Bootstrap 推断
- 研究问题
- 当估计量具有渐近偏误，而且偏误项本身无法一致估计时，能否通过适当构造 Bootstrap 仍然获得渐近有效的统计推断？
- 方法与思路
- 作者用预枢轴化变换原始 Bootstrap p 值，提出代入式与双重 Bootstrap 两种实现，并给出一般高层条件及五类估计问题示例。
- 材料陈述的贡献
- 摘要称预枢轴化可将原始 Bootstrap p 值转化为渐近均匀随机变量，从而恢复推断有效性，即使偏误项不能被一致估计。
- 阅读关注点
- 应核对有效性所需的高层条件、两种实现如何估计 p 值分布，以及模型平均、正则化、非参数回归等示例中的适用边界与计算成本。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列出具体条件与证明，不能理解为任意有偏估计量均可直接 Bootstrap。
原文摘要
We consider bootstrap inference for estimators which are (asymptotically) biased. We show that, even when the bias term cannot be consistently estimated, valid inference can be obtained by proper implementations of the bootstrap. Specifically, we show that the prepivoting approach of Beran (1987, 1988), originally proposed to deliver higher-order refinements, restores bootstrap validity by transforming the original bootstrap p-value into an asymptotically uniform random variable. We propose two different implementations of prepivoting (plug-in and double bootstrap), and provide general high-level conditions that imply validity of bootstrap inference. To illustrate the practical relevance and implementation of our results, we discuss five examples: (i) inference on a target parameter based on model averaging; (ii) ridge-type regularized estimators; (iii) nonparametric regression; (iv) a location model for infinite variance data; and (v) dynamic panel data models.