The Bootstrap and the Edgeworth Correction for Semiparametric Averaged Derivatives*
半参数平均导数的 Bootstrap 与 Edgeworth 修正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：摘要聚焦半参数平均导数估计的高阶推断，Tobit 模型仅用作有限样本模拟场景，尚不足以确定所列领域细分。
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…
关注这篇论文的作者
半参数平均导数的 Bootstrap 与 Edgeworth 修正
- 研究问题
- 平滑可能增大正态近似误差时，bootstrap 能否为半参数指数模型的平均导数估计提供有效修正，并改善双侧检验的水平失真？
- 方法与思路
- 作者研究密度加权平均导数估计的 bootstrap 与 Edgeworth 修正，讨论偏差削减，再用高阶展开分析双侧检验，并开展 Tobit 模拟。
- 材料陈述的贡献
- 摘要称，bootstrap 可实现有效的 Edgeworth 修正，并进一步减少双侧检验的水平失真；有限样本表现通过 Tobit 模型模拟考察。
- 阅读关注点
- 阅读时应核对平滑带宽、偏差削减与重抽样方案的条件，区分正态近似修正与双侧检验改进，并查看 Tobit 模拟设计。
- 阅读边界
- 摘要未列出高阶展开的正则条件、带宽选择或模拟数值；不能据此判断修正对其他半参数模型和具体样本规模的效果。
原文摘要
In a number of semiparametric models, smoothing seems necessary in order to obtain estimates of the parametric component which are asymptotically normal and converge at parametric rate. However, smoothing can inflate the error in the normal approximation, so that refined approximations are of interest, especially in sample sizes that are not enormous. We show that a bootstrap distribution achieves a valid Edgeworth correction in the case of density-weighted averaged derivative estimates of semiparametric index models. Approaches to bias reduction are discussed. We also develop a higher-order expansion to show that the bootstrap achieves a further reduction in size distortion in the case of two-sided testing. The finite-sample performance of the methods is investigated by means of Monte Carlo simulations from a Tobit model.