Bootstrapping with AI/ML-generated labels
使用 AI／机器学习生成标签时的自助法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。
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：摘要核心是误分类协变量下的一般回归与自助法理论，未明确对应给定的领域细分。
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…
使用 AI／机器学习生成标签时的自助法
- 研究问题
- 机器学习生成的二元标签作为回归协变量时，误分类会造成偏差；自助法能否校正偏差，并提供有效的统计推断？
- 方法与思路
- 作者比较固定标签与联合重抽真实、填补标签的耦合标签自助法，并加入误分类率不确定性的方差校正和近奇异设计的 Hessian 旋转。
- 材料陈述的贡献
- 摘要称，固定标签自助法通常需要强独立条件，耦合方法可免除该条件；两种有限样本调整进一步改善覆盖率，并提供工资应用。
- 阅读关注点
- 应核对真实标签或验证样本的可得性、联合重抽机制、误分类率估计方式，以及两项有限样本调整的适用条件和覆盖表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明真实标签如何获得、完整有效性条件及各调整的具体数值效果。
原文摘要
AI/ML methods are increasingly used in economics to generate binary variables (or labels) via classification algorithms. When these generated variables are included as covariates in regressions, even small misclassification errors can induce large biases in OLS estimators and invalidate standard inference. We study whether the bootstrap can correct this bias and deliver valid inference. We first show that a seemingly natural fixed-label bootstrap, which generates data using estimated labels but relies on a corrupted version in estimation, is generally invalid unless a strong independence condition between the latent true labels and other covariates holds. We then propose a coupled-label bootstrap that jointly resamples the true and imputed labels, and show it is valid without this condition. Two finite-sample adjustments further improve coverage: a variance correction for uncertainty in estimated misclassification rates and a Hessian rotation for near-singular designs. We illustrate the methods in simulations and apply them to investigate the relationship between wages and remote work status.