Bootstrap With Cluster‐Dependence in Two or More Dimensions
双维及更高维聚类依赖下的自助法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：摘要明确将网络数据的子图计数列为扩展应用，因此关联网络推断；核心方法仍是一般的多维聚类自助法。
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
双维及更高维聚类依赖下的自助法
- 研究问题
- 当数据同时存在两个或更多维度的聚类依赖时，如何进行有效的自助法推断，并应如何界定极限分布估计的统一性要求？
- 方法与思路
- 作者针对多维聚类提出自助法，讨论组内不相关但仍存在依赖时的非高斯极限，并按不同统一性准则构造自适应程序。
- 材料陈述的贡献
- 摘要称，双向聚类下样本均值的极限分布无法被统一一致地估计；作者提出可针对不同统一性准则实现自适应的自助法。
- 阅读关注点
- 核对依赖但不相关时的极限分布、统一一致性不可能结论的适用范围，以及自适应准则和各类统计量扩展的成立条件。
- 阅读边界
- 摘要未列出聚类规模增长方式、依赖条件或重抽样步骤；不能把自适应结论理解为在所有双向聚类情形下都统一有效。
原文摘要
We propose a bootstrap procedure for data that may exhibit cluster‐dependence in two or more dimensions. The asymptotic distribution of the sample mean or other statistics may be non‐Gaussian if observations are dependent but uncorrelated within clusters. We show that there exists no procedure for estimating the limiting distribution of the sample mean under two‐way clustering that achieves uniform consistency. However, we propose bootstrap procedures that achieve adaptivity with respect to different uniformity criteria. Important cases and extensions discussed in the paper include regression inference, U‐ and V‐statistics, subgraph counts for network data, and non‐exhaustive samples of matched data.