Bootstrap consistency for general semiparametric M-estimation
一般半参数 M 估计的 Bootstrap 一致性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：摘要研究通用半参数 M 估计与重抽样理论，未明确对应所列领域细分。
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
一般半参数 M 估计的 Bootstrap 一致性
- 研究问题
- 在同时包含有限维目标参数和无限维干扰参数的半参数模型中，Bootstrap 能否正确近似目标估计量分布与置信集覆盖率？
- 方法与思路
- 作者在一般条件下研究带可交换 Bootstrap 权重的半参数 M 估计，证明目标参数分布近似与置信集的渐近有效性。
- 材料陈述的贡献
- 摘要称，即使干扰参数不能以根号样本量速度估计，Bootstrap 仍可在相应条件下保持分布一致性和渐近正确覆盖率。
- 阅读关注点
- 应核对目标参数与干扰参数的正则条件、允许的干扰收敛速度、可交换权重限制，以及置信集构造如何使用理论结果。
- 阅读边界
- 所给为版本未注明的 OpenAlex 索引摘要；一般条件和允许的收敛速度范围未展开，不能认定任意慢速干扰估计都可使用 Bootstrap。
原文摘要
Consider M-estimation in a semiparametric model that is characterized by a Euclidean parameter of interest and an infinite-dimensional nuisance parameter. As a general purpose approach to statistical inferences, the bootstrap has found wide applications in semiparametric M-estimation and, because of its simplicity, provides an attractive alternative to the inference approach based on the asymptotic distribution theory. The purpose of this paper is to provide theoretical justifications for the use of bootstrap as a semiparametric inferential tool. We show that, under general conditions, the bootstrap is asymptotically consistent in estimating the distribution of the M-estimate of Euclidean parameter; that is, the bootstrap distribution asymptotically imitates the distribution of the M-estimate. We also show that the bootstrap confidence set has the asymptotically correct coverage probability. These general conclusions hold, in particular, when the nuisance parameter is not estimable at root-n rate, and apply to a broad class of bootstrap methods with exchangeable bootstrap weights. This paper provides a first general theoretical study of the bootstrap in semiparametric models.