Inference by Stochastic Optimization: A Free-Lunch Bootstrap
通过随机优化进行推断：一次运行的自助法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：摘要研究通用极值估计的随机优化与自助推断，未指明足以支持给定领域细分的具体模型或应用。
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
通过随机优化进行推断：一次运行的自助法
- 研究问题
- 当极值估计的渐近方差难以解析计算、重复自助估计成本较高时，能否在一次随机优化运行中同时获得点估计与标准误？
- 方法与思路
- 作者设计随机优化算法，每轮重抽数据批次并计算梯度与 Hessian，将迭代值作为抽样输出，用于点估计及自助标准误计算。
- 材料陈述的贡献
- 摘要称，该方法对一大类正则问题给出一致估计与渐近有效推断，在示例中以较低成本获得准确标准误，并辅助检测数据异常。
- 阅读关注点
- 核对迭代输出与自助抽样的关系、步长及批次设置、推断所需正则条件，以及计算成本和标准误准确性的比较方式。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明具体条件与成本数值，不能推定适用于非正则或任意复杂模型。
原文摘要
Assessing sampling uncertainty in extremum estimation can be challenging when the asymptotic variance is not analytically tractable. Bootstrap inference offers a feasible solution but can be computationally costly especially when the model is complex. This paper uses iterates of a specially designed stochastic optimization algorithm as draws from which both point estimates and bootstrap standard errors can be computed in a single run. The draws are generated by the gradient and Hessian computed from batches of data that are resampled at each iteration. We show that these draws yield consistent estimates and asymptotically valid frequentist inference for a large class of regular problems. The algorithm provides accurate standard errors in simulation examples and empirical applications at low computational costs. The draws from the algorithm also provide a convenient way to detect data irregularities.