High-dimensional Data Bootstrap
高维数据的 Bootstrap 方法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。
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：摘要主要综述跨领域的高维推断理论，所列政策应用不足以确定其主要经济学细分方向。
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…
高维数据的 Bootstrap 方法
- 研究问题
- 高维样本均值及参数向量的分布如何近似，bootstrap 的有效性如何支持同时置信集、多重检验及选择后推断？
- 方法与思路
- 本文综述矩形集合上的高维中心极限定理、bootstrap 一致性及证明技术，并介绍部分识别和最优政策推断等应用。
- 材料陈述的贡献
- 摘要称，文章整理高维 bootstrap 的近期进展，将分布近似理论与多类推断应用相联系，并讨论未来研究方向。
- 阅读关注点
- 应核对维度增长、尾部与依赖条件、误差界适用的集合，以及各应用从基础近似结果到有效推断的额外要求。
- 阅读边界
- 所据为 arXiv 预印本，同行评审与期刊接收未核实；这是综述性摘要，未说明具体定理条件或各方法的比较结果。
原文摘要
This article reviews recent progress in high-dimensional bootstrap. We first review high-dimensional central limit theorems for distributions of sample mean vectors over the rectangles, bootstrap consistency results in high dimensions, and key techniques used to establish those results. We then review selected applications of high-dimensional bootstrap: construction of simultaneous confidence sets for high-dimensional vector parameters, multiple hypothesis testing via stepdown, post-selection inference, intersection bounds for partially identified parameters, and inference on best policies in policy evaluation. Finally, we also comment on a couple of future research directions.