Bootstrap inference under cross‐sectional dependence
横截面依赖下的自助法推断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。
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：摘要研究通用横截面或空间依赖自助法，未明确涉及面板、网络干扰或因果识别，故不强行归类。
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…
横截面依赖下的自助法推断
- 研究问题
- 当数据具有未知的横截面或空间依赖结构时，如何生成自助样本，使学生化与非学生化统计量的推断保持有效？
- 方法与思路
- 作者提出空间依赖野生自助法，通过自助核的特征分解变换外部独立同分布变量，并在数据线性阵列表示下分析有效性。
- 材料陈述的贡献
- 摘要称方法对两类统计量均有效，模拟显示改善推断的潜力，并以加拿大企业销售增长与本地进口关系作应用。
- 阅读关注点
- 应核对线性阵列表示、空间依赖条件和自助核的选择，以及理论有效性覆盖哪些统计量与抽样布局。
- 阅读边界
- 仅据所给 Crossref 摘要，不能将未知依赖理解为允许任意依赖，也不能赋予企业回归因果解释；版本变化未说明。
原文摘要
In this paper, we introduce a method of generating bootstrap samples with unknown patterns of cross‐ sectional/spatial dependence, which we call the spatial dependent wild bootstrap. This method is a spatial counterpart to the wild dependent bootstrap of Shao (2010) and generates data by multiplying a vector of independently and identically distributed external variables by the eigendecomposition of a bootstrap kernel. We prove the validity of our method for studentized and unstudentized statistics under a linear array representation of the data. Simulation experiments document the potential for improved inference with our approach. We illustrate our method in a firm‐level regression application investigating the relationship between firms' sales growth and the import activity in their local markets using unique firm‐level and imports data for Canada.