A bootstrap recipe for post-model-selection inference under linear regression models
线性回归模型选择后推断的自助法方案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：摘要属于通用线性回归与模型选择后推断，未直接指向所列具体领域。
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…
线性回归模型选择后推断的自助法方案
- 研究问题
- 在线性回归进行模型选择后，如何估计最小二乘估计量的分布，并在错误候选模型与近似正确模型并存时保证一致性？
- 方法与思路
- 作者把残差自助抽样限制在最简约的近似正确模型内，提出适用于信息准则或稀疏估计等多类模型选择方法的方案。
- 材料陈述的贡献
- 摘要称当错误候选模型与近似正确模型充分分离时，所得选择后分布估计一致，并通过模拟展示程序的经验表现。
- 阅读关注点
- 应核对近似正确与充分分离的数学定义、简约模型集合如何识别，以及一致性针对的分布、渐近框架和选择方法范围。
- 阅读边界
- 仅据版本未注明的索引摘要，不能推断刊本变化；摘要未说明分离条件的强度，不能据此认定方法对邻近错误模型也有效。
原文摘要
We propose a general bootstrap recipe for estimating the distributions of post-model-selection least squares estimators under a linear regression model. The recipe constrains residual bootstrapping within the most parsimonious, approximately correct, models to yield a distribution estimator which is consistent provided any wrong candidate model is sufficiently separated from the approximately correct ones. Our theory applies to a broad class of model selection methods based on information criteria or sparse estimation. The empirical performance of our procedure is illustrated with simulated data.