Edgeworth Expansions for Bootstrapping Regression Models
回归模型自助法的 Edgeworth 展开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：摘要讨论通用线性回归的自助近似理论，未说明面板、时间序列或其他所列领域的专门结构。
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
回归模型自助法的 Edgeworth 展开
- 研究问题
- 在线性回归中，自助法相较经典正态近似具有怎样的渐近表现，设计矩阵元素的增长速度如何影响两者？
- 方法与思路
- 作者利用 Edgeworth 展开研究线性回归自助法的渐近近似表现，并考察设计矩阵元素增长速度的作用。
- 材料陈述的贡献
- 摘要称，在所研究的渐近框架下，自助法至少不劣于经典正态近似，部分情形更好，而两者均受设计矩阵增长影响。
- 阅读关注点
- 应核对自助重抽样方案、比较的统计量与误差尺度，以及展开成立所需条件和设计矩阵增长速度的限制。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未列出适用条件或误差阶，不能把渐近比较解读为所有模型及有限样本中的优势。
原文摘要
The asymptotic performance of the bootstrap in linear regression models is studied. Edgeworth expansions show that asymptotically, the bootstrap is always at least as good as, and in some cases better than, the classical normal approximation. The performances of both the bootstrap and the normal approximation depend on the rate of increase in the elements of the design matrix.