Bootstrapping and sample splitting for high-dimensional, assumption-lean inference
高维弱假设推断中的自助法与样本分割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：摘要研究通用高维回归推断与预测，未指定宏观预测、收益预测或其他所列领域。
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…
高维弱假设推断中的自助法与样本分割
- 研究问题
- 高维模型选择之后，如何以较少假设进行有效推断，并量化样本分割对推断准确性、稳健性与预测表现的影响？
- 方法与思路
- 作者将用于模型选择和推断的样本分开，结合自助法或正态近似，并研究维度增长时一般非线性参数的近似误差。
- 材料陈述的贡献
- 摘要称，给出新的近似精度界及变量重要性参数，并揭示分割可改善推断准确性和稳健性、却可能降低预测准确性。
- 阅读关注点
- 应核对维度增长限制、推断目标是否依赖选定模型、新变量重要性参数的定义，以及误差界与预测权衡成立的条件。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；弱假设的具体内容与精度界未提供，不能将其理解为无条件有效或普遍更优。
原文摘要
Several new methods have been recently proposed for performing valid inference after model selection. An older method is sample splitting: use part of the data for model selection and the rest for inference. In this paper, we revisit sample splitting combined with the bootstrap (or the Normal approximation). We show that this leads to a simple, assumption-lean approach to inference and we establish results on the accuracy of the method. In fact, we find new bounds on the accuracy of the bootstrap and the Normal approximation for general nonlinear parameters with increasing dimension which we then use to assess the accuracy of regression inference. We define new parameters that measure variable importance and that can be inferred with greater accuracy than the usual regression coefficients. Finally, we elucidate an inference-prediction trade-off: splitting increases the accuracy and robustness of inference but can decrease the accuracy of the predictions.