A High Dimensional Wild Bootstrap Max-Test for Detecting the Presence of Significant Predictors
检测显著预测变量的高维 Wild Bootstrap 最大值检验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：方法明确处理依赖时间序列中的高维筛查，并以 VIX 波动率指数提供金融应用。
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
检测显著预测变量的高维 Wild Bootstrap 最大值检验
- 研究问题
- 当候选变量远多于样本量，且数据弱依赖、异质甚至可能非平稳时，如何检验是否存在显著预测变量，并处理高维最大值的非标准分布？
- 方法与思路
- 作者在具有物理依赖的时间序列边际回归中构造最大值统计量，以乘子分块 Bootstrap 近似其分布，避免估计协方差矩阵和选择单一变量索引。
- 材料陈述的贡献
- 摘要称，在依赖和矩条件决定的维度增长限制下，检验可处理大量变量，并在数值实验中较好控制尺寸、检测弱或稀疏信号。
- 阅读关注点
- 应核对物理依赖、记忆衰减和高阶矩条件、允许的维度增长率、分块方案，以及边际相关筛查结论与联合预测关系的区别。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未给出完整条件、块长度选择或数值；边际显著性不能直接解释为因果效应。
原文摘要
We construct a block bootstrap max-test for detecting the presence of significant predictors in a high dimensional setting, allowing for weakly dependent and heterogeneous (possibly non-stationary) data. The number of covariates to be screened may be large $p$ $>>$ $n$, and growing at an exponential rate, provided $\ln (p)$ $=$ $o(n^{a})$ for some $a$ $>$ $0$ that depends on memory decay and the growth of higher moments. We study the problem of correlation screening in a high dimensional marginal regression setting, assuming so-called \textit{physical dependence} in a time series setting. We entirely sidestep covariance matrix estimation and adaptive re-sampling by working with a max-statistic over the many computed parameters. Thus we do not need endogenous selection of the most relevant predictor index yielding non-uniform asymptotics, nor do we need a post-estimation Bonferroni correction. The non-standard limit distribution arising from the maximum of an increasing number of estimators is easily approximated by a multiplier (wild) block bootstrap. The max-test controls for size well, performs well against various deviations from the null, including very slight deviations with a weak or sparse signal. A numerical experiment is performed and an empirical example with the VIX volatility index is provided.