Bootstrap Diagnostic Tests
Bootstrap 诊断检验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：摘要提出跨模型的通用推断诊断，列举应用不足以确定单一领域细分。
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…
Bootstrap 诊断检验
- 研究问题
- 当经典高斯极限近似因弱工具变量、非平稳性或边界参数等原因失效时，能否用 bootstrap 分布诊断推断是否可靠？
- 方法与思路
- 作者比较 bootstrap 统计量的条件分布与有效设定所蕴含的高斯极限，利用两者差异构造诊断，并推导相关随机性混合的充分条件。
- 材料陈述的贡献
- 摘要称，在相应条件下，检验不引入预检验偏误、可跨应用使用相同临界值，并对偏离渐近正态性的情形具有一致性。
- 阅读关注点
- 应核对分布差异的统计量、数据与重复抽样随机性混合的条件、无预检验偏误的含义，以及不同失效情形下的检验功效。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出充分条件，不能推断任意 bootstrap 方案都能诊断或修复推断失效。
原文摘要
Violation of the assumptions underlying classical (Gaussian) limit theory often yields unreliable statistical inference. This paper shows that the bootstrap can detect such violations by delivering simple and powerful diagnostic tests that (a) induce no pre-testing bias, (b) use the same critical values across applications, and (c) are consistent against deviations from asymptotic normality. The tests compare the conditional distribution of a bootstrap statistic with the Gaussian limit implied by valid specification and assess whether the resulting discrepancy is large enough to indicate failure of the asymptotic Gaussian approximation. The method is computationally straightforward and only requires a sample of i.i.d. draws of the bootstrap statistic. We derive sufficient conditions for the randomness in the data to mix with the randomness in the bootstrap repetitions in a way such that (a), (b) and (c) above hold. We demonstrate the practical relevance and broad applicability of bootstrap diagnostics by considering several scenarios where the asymptotic Gaussian approximation may fail, including weak instruments, non-stationarity, parameters on the boundary of the parameter space, infinite variance data and singular Jacobian in applications of the delta method. An illustration drawn from the empirical macroeconomic literature concludes.