Some nonasymptotic results on resampling in high dimension, I: Confidence regions
高维重抽样的若干非渐近结果（一）：置信区域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：摘要研究一般高维均值的重抽样推断，未涉及所列专门经济计量方向。
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…
高维重抽样的若干非渐近结果（一）：置信区域
- 研究问题
- 当随机向量各坐标的依赖关系未知，且维数可能远大于样本量时，如何对均值置信区域的覆盖水平进行非渐近控制？
- 方法与思路
- 作者在高斯或对称有界分布条件下，分别采用重抽样集中原理与使用 Rademacher 权重的重抽样分位数构造方法。
- 材料陈述的贡献
- 摘要称，论文提供高维广义 bootstrap 置信区域的非渐近控制，给出若干集中结果，并讨论蒙特卡洛近似的精度。
- 阅读关注点
- 应核对观测样本与坐标依赖的假设、两类方法的权重要求，以及置信水平控制如何计入蒙特卡洛近似误差。
- 阅读边界
- 仅据所给 OpenAlex 摘要；具体误差界与样本条件未说明，未知坐标依赖不代表对任意分布或观测依赖均有效。
原文摘要
We study generalized bootstrap confidence regions for the mean of a random vector whose coordinates have an unknown dependency structure. The random vector is supposed to be either Gaussian or to have a symmetric and bounded distribution. The dimensionality of the vector can possibly be much larger than the number of observations and we focus on a nonasymptotic control of the confidence level, following ideas inspired by recent results in learning theory. We consider two approaches, the first based on a concentration principle (valid for a large class of resampling weights) and the second on a resampled quantile, specifically using Rademacher weights. Several intermediate results established in the approach based on concentration principles are of interest in their own right. We also discuss the question of accuracy when using Monte Carlo approximations of the resampled quantities.