Improved Central Limit Theorem and bootstrap approximations in high dimensions
改进的高维中心极限定理与 Bootstrap 近似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：摘要讨论通用高维分布近似理论，未提供足以归入特定应用领域的文本依据。
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…
改进的高维中心极限定理与 Bootstrap 近似
- 研究问题
- 对独立随机向量求和后取分量最大值的高维统计量，如何改善其高斯与 bootstrap 分布近似的误差控制？
- 方法与思路
- 作者采用新的迭代随机化 Lindeberg 方法，推导最大值统计量的分布近似误差界，并容纳更广的 bootstrap 方法。
- 材料陈述的贡献
- 摘要称，新误差界显著改善既有结果，同时扩大可适用的 bootstrap 方法类别，为高维计量推断提供理论工具。
- 阅读关注点
- 应核对矩条件、维度与样本量的增长关系、误差界具体速率，以及扩大后的 bootstrap 类别和比较基准。
- 阅读边界
- 所据为 arXiv 预印本，同行评审与期刊接收未核实；摘要未提供具体速率与假设，无法判断改善幅度和实践适用性。
原文摘要
This paper deals with the Gaussian and bootstrap approximations to the distribution of the max statistic in high dimensions. This statistic takes the form of the maximum over components of the sum of independent random vectors and its distribution plays a key role in many high-dimensional econometric problems. Using a novel iterative randomized Lindeberg method, the paper derives new bounds for the distributional approximation errors. These new bounds substantially improve upon existing ones and simultaneously allow for a larger class of bootstrap methods.