Wild Bootstrap Inference for Linear Regressions with Many Covariates
含大量协变量的线性回归中的野生自助法推断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：摘要讨论通用线性回归推断，未明确涉及所列领域中的具体经济问题或数据结构。
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
含大量协变量的线性回归中的野生自助法推断
- 研究问题
- 在线性回归存在异方差、控制变量数量与样本量同阶的情况下，如何构造具有有效渐近依据和较好有限样本表现的推断？
- 方法与思路
- 作者对野生自助法作简单修改，建立其在大量协变量和异方差下的渐近有效性，并通过蒙特卡洛模拟与正态临界值方法比较。
- 材料陈述的贡献
- 摘要称修改后的方法在模拟中表现良好，尤其适用于小样本或控制变量较多的场景；摘要未给出具体覆盖率或误差数值。
- 阅读关注点
- 核对自助法的具体修改、协变量维度增长条件与误差限制，并检查模拟中的杠杆值、拒绝率及比较方法的实现。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未提供有效性条件和模拟设计，不能将所述表现推广至所有高维回归。
原文摘要
We propose a simple modification to the wild bootstrap procedure and establish its asymptotic validity for linear regression models with many covariates and heteroskedastic errors. Monte Carlo simulations show that the modified wild bootstrap has excellent finite sample performance compared with alternative methods that are based on standard normal critical values, especially when the sample size is small and/or the number of controls is of the same order of magnitude as the sample size.