The Dependent Wild Bootstrap
相依野生自助法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：摘要明确针对平稳及不规则采样时间序列提出重抽样推断方法，直接属于时间序列方法而未限定金融高频应用。
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
相依野生自助法
- 研究问题
- 如何为平稳时间序列构造可用于不规则采样的重抽样方法，并分析方差估计和分布近似的有效性及误差性质？
- 方法与思路
- 作者将传统野生自助法扩展为相依版本，在光滑函数模型下研究分布近似，并分别分析格点与非格点不规则采样。
- 材料陈述的贡献
- 摘要称方法保留渐缩分块自助法的有利偏差和均方误差性质，并给出相应一致性、偏差方差展开及有限样本示例。
- 阅读关注点
- 应核对相依权重与调参规则、平稳及依赖条件，尤其区分格点结果和非格点情形仅针对均值所得的保证。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体条件及误差展开未提供，非格点均值结论不能推广到任意统计量。
原文摘要
We propose a new resampling procedure, the dependent wild bootstrap, for stationary time series. As a natural extension of the traditional wild bootstrap to time series setting, the dependent wild bootstrap offers a viable alternative to the existing block-based bootstrap methods, whose properties have been extensively studied over the last two decades. Unlike all of the block-based bootstrap methods, the dependent wild bootstrap can be easily extended to irregularly spaced time series with no implementational difficulty. Furthermore, it preserves the favorable bias and mean squared error property of the tapered block bootstrap, which is the state-of-the-art block-based method in terms of asymptotic accuracy of variance estimation and distribution approximation. The consistency of the dependent wild bootstrap in distribution approximation is established under the framework of the smooth function model. In addition, we obtain the bias and variance expansions of the dependent wild bootstrap variance estimator for irregularly spaced time series on a lattice. For irregularly spaced nonlattice time series, we prove the consistency of the dependent wild bootstrap for variance estimation and distribution approximation in the mean case. Simulation studies and an empirical data analysis illustrate the finite-sample performance of the dependent wild bootstrap. Some technical details and tables are included in the online supplemental material.