Dilation bootstrap
扩张自助法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：摘要研究一般部分识别置信区域与自助法，没有明确的处理效应、分布效应或具体结构模型依据。
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
扩张自助法
- 研究问题
- 当模型和数据存在多种不完整性且参数仅被部分识别时，如何整合这些来源，并在计入抽样不确定性后构造置信区域？
- 方法与思路
- 作者提出组合定理，通过反演经济计量结构内部一致性检验构造置信区域，并对单变量分位数过程及其多维推广进行扩张自助。
- 材料陈述的贡献
- 摘要称方法可组合多种不完整性与部分识别来源；选定控制置信水平的扩张后，可用经验分布替代未知真实观测分布。
- 阅读关注点
- 应核对组合定理的条件、内部一致性检验的定义、多维分位数过程推广，以及扩张选择如何确保所需的置信水平。
- 阅读边界
- 摘要未给出定理条件、扩张尺度算法、覆盖性质细节或有限样本结果；一般部分识别框架不能据此直接归为特定因果模型。
原文摘要
We propose a methodology for combining several sources of model and data incompleteness and partial identification, which we call Composition Theorem. We apply this methodology to the construction of confidence regions with partially identified models of general form. The region is obtained by inverting a test of internal consistency of the econometric structure. We develop a dilation bootstrap methodology to deal with sampling uncertainty without reference to the hypothesized economic structure. It requires bootstrapping the quantile process for univariate data and a novel generalization of the latter to higher dimensions. Once the dilation is chosen to control the confidence level, the unknown true distribution of the observed data can be replaced by the known empirical distribution and confidence regions can then be obtained as in Galichon and Henry (2011) and Beresteanu et al. (2011).