R-estimators in GARCH models; asymptotics, applications and bootstrapping
拟极大似然估计是估计Gestival参数的一种常用方法。然而，这样的估计是敏感的离群值和他们的渐近正态性证明下的有限四阶矩假设的基本误差分布。本文提出了一类新的基于秩的Gestival参数估计，称为R估计，它具有在误差大于二阶矩的情况下渐近正态且高效的性质.我们还考虑了有限样本分布的R估计的加权Bootstrap逼近。我们提出了快速算法计算的R估计和他们的自助复制。真实数据分析和模拟表明，所提出的估计在正态分布和重尾分布下具有优良的性能。我们广泛的模拟也揭示了加权自举近似的出色的覆盖率。此外，我们还讨论了高阶GARCH模型如GARCH~（$2, 1$）和非对称模型如GJR模型的R估计的经验和模拟结果。
2020-09-02 math.ST stat.TH
Bootstrap consistency for general double/debiased machine learning estimators
University of Washington（华盛顿大学）
本文研究了双重/去偏机器学习估计量的自助法有效性，证明在一般可交换加权重采样方案下，其自助法在相同条件下收敛于原始估计量的抽样分布。
2026-04-19 econ.EM math.ST stat.TH
Bootstrap estimators for the tail-index and for the count statistics of graphex processes
Graphex过程解决了传统随机图模型中的一些问题，特别是提供了既可投射又允许稀疏的模型。大多数关于graphex过程的文献从概率的角度研究它们。用于推断这些过程的参数的技术--所谓的\textit{graphon} --仍然是边缘性的;例外的是考虑参数化的图子族的一些论文。非参数估计仍然未被考虑。在本文中，我们提出了一个选定的选择泛函的graphon估计。我们的估计源自graphex过程的子抽样理论，因此可以被看作是一种形式的自助程序。
2021-01-04 math.ST stat.TH
Online Bootstrap Inference with Nonconvex Stochastic Gradient Descent Estimator
针对含多个局部最小值的一般非凸目标，提出两种结合 SGD 与乘子 bootstrap 的在线统计推断方法，并证明置信区间渐近有效。
2023-06-03 math.ST stat.ME stat.ML
A Consistent Bootstrap Procedure for the Maximum Score Estimator
本文研究了在模型的完全一般性下，用Bootstrap方法对Manski最大得分估计进行推断的适用性。我们提出了三个新的，基于模型的引导程序，这个问题，并显示其一致性。仿真实验进行了评估他们的性能，并比较他们与子采样方法。此外，我们证明了一个一致收敛定理的三角阵列的随机变量来自二进制选择模型，这可能是独立的利益。
2015-12-18 math.ST stat.AP stat.TH
Asymptotics of the Empirical Bootstrap Method Beyond Asymptotic Normality
Microsoft Research（微软研究院）
形成统计推断的置信区间的最常用的方法之一是经验自助法，当估计量的极限分布未知时，该方法特别方便。然而，尽管它无处不在的作用，它的理论性质仍然没有得到很好的理解非渐近正态估计。本文在稳定性条件下，建立了经验Bootstrap估计的极限分布，导出了渐近相合的紧条件，并量化了收敛速度。此外，我们提出了三种替代方法来使用自举方法建立置信区间的覆盖保证。最后，我们通过一系列的例子，包括均匀置信带，两个样本核测试，极小极大随机程序和堆叠估计的经验风险，说明我们的结果的一般性和紧密性。
2020-11-23 cs.LG math.ST stat.ML
Gaussian and Bootstrap Approximation for Matching-based Average Treatment Effect Estimators
本文为基于协变量和秩匹配的ATE估计量建立了高斯近似界，采用Malliavin-Stein方法量化匹配数量和处理平衡性的影响，并开发了乘数自助法程序以构建非渐近有效的置信区间。
2024-12-22 econ.EM math.PR math.ST
On the consistency of bootstrap for matching estimators
本文证明朴素自助法在匹配数量 M 发散时对原始匹配估计量一致，从而表明 Abadie 和 Imbens（2008）发现的不一致性仅由固定 M 引起。
2024-11-19 econ.EM math.ST stat.TH
Bootstrapping Whittle Estimators
在时间序列分析中，通过优化频域目标函数来拟合参数模型是一种很有吸引力的参数估计方法。惠特尔估计是这方面的一个突出例子。在弱条件和（现实的）假设下，真实的谱密度的基本过程不一定属于参数类的谱密度拟合，分布的惠特尔估计通常取决于难以估计的基本过程的特性。这使得实施渐近结果的建设置信区间或评估的变异性估计，在实践中困难。本文提出了一种频域Bootstrap方法来估计Whittle估计量的分布，该方法在不仅允许（可能的）模型误设而且允许由大范围平稳随机过程满足的弱相依条件的假设下是渐近有效的.自举程序的适应开发，以纳入不同的修改Whittle估计在文献中提出的，如例如，锥形，去偏或边界扩展Whittle估计，也被认为是。仿真结果表明，所提出的自助方法的能力和其良好的有限样本性能。还提供了现实生活中的数据分析。
2021-07-23 math.ST stat.ME stat.TH
Second Order Correctness of Perturbation Bootstrap M-Estimator of Multiple Linear Regression Parameter
考虑多元线性回归模型$y_{i} = \boldsymbol{x}'_{i} \boldsymbolβ + ε_{i}$，其中$ε_i$是独立同分布的随机变量，$\mathbf{x}_i$是已知的设计向量，$\boldsymbolβ$是参数的$p \times 1$向量。在适当的居中和缩放之后，近似M估计量$\boldsymbol{\barβ}_n$的分布的有效方法是扰动自举方法。在目前的工作中，二阶的结果，这种非天真的引导方法进行了研究。二阶正确性对于将近似误差均匀地减少到$o(n^{-1/2})$以获得更好的推断是重要的。我们表明，经典的学生化版本的自举估计未能二阶正确。我们引入了一个创新的修改学生化版本的自举统计，并表明修改后的自举枢轴是二阶正确的（S.O.C.）用于近似学生化M估计量的分布。此外，我们表明，扰动Bootstrap仍然是S.O.C.。当误差$ε_i$是独立的，但可能不是相同分布的时。这些研究结果建立扰动Bootstrap近似作为一个显着的改善渐近正态性的回归M-估计。
2017-12-17 math.ST stat.ME stat.TH
Rates of convergence of the Adaptive LASSO estimators to the Oracle distribution and higher order refinements by the bootstrap
邹[J].美国统计学. Assoc.101（2006）1418-1429]提出了用于同时变量选择和回归参数估计的自适应LASSO（ALASSO）方法，并建立了其预言性质。本文研究了当回归参数的维数随样本量增长到无穷大时，ALASSO估计对Oracle分布的收敛速率。结果表明，率严重依赖于罚参数和初始估计的选择，以及其他因素，和置信区间（CI）的基础上的预言极限法往往有差的覆盖精度。作为一种替代方案，我们考虑了ALASSO估计量的残差自助法，该方法最近已被证明是一致的;参见。Chatterjee和Lahiri [J. Amer. Statist. 106（2011 a）608-625]。我们表明，适用于一个合适的学生化版本的ALASSO估计的引导达到二阶正确性，即使当回归参数的维数是无界的。从一个中等规模的模拟研究结果显示，在覆盖准确性显着改善的引导CI基于Oracle的CI。
2013-07-08 math.ST stat.TH
Functional delta-method for the bootstrap of quasi-Hadamard differentiable functionals
函数δ方法提供了一个方便的工具，用于从相应的经验过程的渐近分布导出统计泛函的插入式估计量的渐近分布。此外，它提供了一个工具，从经验过程的自举一致性导出插件估计的自举一致性。最近的研究表明，采用拟Hadamard可微性的概念，可以大大地扩大渐近分布的泛函δ方法的应用范围。在这里，我们在一般情况下表明，这种扩大进行的自举。也就是说，对于拟阿达玛可微泛函，插入式估计量的自举一致性来自相应经验过程的自举一致性。这种扩大往往需要自举的经验过程在分布上的依分布收敛。一个非均匀的超范数后者并不成问题，这将通过实例加以说明。
2016-05-04 math.ST stat.TH
Temporal difference learning adapts to incomplete coverage: an oracle inequality over subgraphs
University of Toronto（多伦多大学）；Massachusetts Institute of Technology（麻省理工学院）
针对强化学习中价值函数估计的引导更新与展开方法，提出子图贝尔曼算子实现插值，其估计器结合两者优势，误差上界趋近TD最优方差且具MC自适应性，下界证明附加项必要，为调和TD与MC提供最优自适应框架。
2026-10-28 cs.LG math.ST stat.ML
Bootstrap method for misspecified ergodic Lévy driven stochastic differential equation models
本文考虑了Lévy过程驱动的可能错误指定的随机微分方程模型。无论驱动噪声是否为高斯噪声，高斯拟似然估计器都能估计出漂移系数和尺度系数中的未知参数。然而，在错误指定的情况下，估计量的渐近分布会因错误指定偏差的校正而变化，并且在正确指定的情况下提出的渐近方差的一致估计可能会失去理论有效性。作为其解决方案之一，我们提出了一个自助法近似的渐近分布。我们表明，我们的自举方法理论上在正确指定的情况下和错误指定的情况下，不假设驱动噪声的精确分布。
2021-10-08 math.ST stat.TH
Functional delta-method for the bootstrap of uniformly quasi-Hadamard differentiable functionals
函数Delta方法提供了一种方便的工具，用于推导一系列插件估计器的自举一致性一个给定的功能从自助一致性的基本序列的估计。最近在Beutner和Zähle（2016）中已经表明，通过将给定泛函的Hadamard可微性的通常条件替换为较弱的拟Hadamard可微性条件，可以大大扩大泛函delta方法在建立插入估计序列概率的自举一致性方面的应用范围。在这里，我们引入的概念，一致拟Hadamard可微性，并表明，这一概念扩展了一组泛函的几乎必然引导一致性的相应序列的插件估计可以得到的功能δ方法。我们说明了我们的结果的好处，通过平均风险值功能，以及组成的平均风险值功能和复合卷积功能。对于后者，我们使用一个链式法则来证明。在我们的例子中，我们考虑了独立观测的加权可交换自举和$β$ -混合观测的分块自举。
2016-09-20 math.ST stat.TH
Selecting Penalty Parameters of High-Dimensional M-Estimators using Bootstrapping after Cross-Validation
提出交叉验证后再自助法为高维$\ell_1$-惩罚M-估计量选择惩罚参数，推导了估计量收敛速度，并通过模拟与实证证明其在推断上优于交叉验证。
2024-11-12 econ.EM math.ST stat.TH
Bootstrap confidence intervals for isotonic estimators in a stereological problem
设$\mathbf{X}=(X_1,X_2,X_3)$是一个球对称随机向量，其中只能观测到$(X_1,X_2)$。我们集中精力估计F，平方半径$Z:=X_1^2+X_2^2+X_3^2$的分布函数，从随机样本的$(X_1,X_2)$。这样的问题出现在天文学中，其中$(X_1,X_2,X_3)$表示星系中恒星的三维位置，但我们只能观察投影的恒星位置$(X_1,X_2)$。我们考虑保序估计F，并得到其极限分布。结果是非标准的，收敛速率为$\sqrt{n/{\log n}}$。与不包含形状约束的朴素估计相比，F的保序估计具有恰好一半的极限方差。我们考虑的问题，构建逐点置信区间为F，状态的自举程序的一致性的充分条件，并表明，满足条件的传统的自举方法（从经验分布函数生成样本）。
2012-11-23 math.ST stat.TH
Generalized bootstrap for estimating equations
我们介绍了一个广义的自助技术的估计，通过求解估计方程。这种广义自举的一些特殊情况是Efron的经典自举，delete-d jackknife和贝叶斯自举的变体。所提出的技术的使用中讨论了一些例子。证明了该方法的分布相合性，并得到了剩余方差估计的渐近表示。
2005-04-25 math.ST stat.TH
Qualitative robustness for bootstrap approximations
统计估计量的一个重要性质是定性稳健性，即数据分布的微小变化只会导致估计量分布的微小机会。此外，在实践中，数据的分布通常是未知的，因此可以使用Bootstrap近似来近似估计量的分布。因此，定性稳健性的统计估计下的自助近似是一个理想的属性。目前大多数定性稳健性的理论研究假设独立同分布的随机变量对。然而，在实践中，这一假设并不成立。因此，我们研究非独立同分布的自举近似的定性稳健性。随机变量，例如$α$ -混合和弱相关过程。在i.i.d.通过统计算子的连续性来保证案例定性的鲁棒性，统计算子代表估计量，参见Hampel（1971）和Cuevas和Romo（1993）。我们表明，定性的稳健性的自举近似仍然是确保统计算子是连续的假设下，并在一个额外的假设下的随机过程。特别是，我们需要一个收敛条件的经验措施的基本过程，所谓的Varadarajan属性。
2018-01-22 math.PR math.ST stat.TH
EstimatedWold Representation and Spectral Density-Driven Bootstrap for Time Series
用著名的Wold表示的系数描述了纯非确定平稳过程的二阶相关结构。这些系数可以通过因式分解过程的谱密度来获得。这种关系与一些谱密度估计一起使用，以获得这些系数的一致估计。然后，开发了用于时间序列的谱密度驱动的自举，其使用估计的MA系数的整个序列连同适当生成的伪创新，以便获得自举伪时间序列。结果表明，如果潜在的过程是线性的，如果伪新息是由i.i.d. Wild bootstrap在必要程度上模仿了真实新息的矩结构，这种bootstrap建议渐近适用于广泛的统计量。讨论了该方法与自回归筛选引导法等其他引导方法的关系。它表明，后者是一个特殊的情况下，谱密度驱动的自举，如果使用参数自回归谱密度估计。仿真研究了有限样本情况下的新的自助程序的性能。此外，给出了一个真实的数据示例。
2017-12-20 math.ST stat.TH
Sharp variance estimator and causal bootstrap in stratified randomized experiments
Tsinghua University（清华大学）；North Carolina State University（北卡罗来纳州立大学）；Duke University（杜克大学）
本文提出了一种精确方差估计和两种因果Bootstrap方法，用于更准确地近似分层随机实验中加权差异均值估计量的抽样分布，以解决小样本或结果偏斜时传统Neyman型方差估计器过于保守和正态近似失效的问题。
2025-05-17 math.ST stat.AP stat.ME
Bootstrap-Based Inference for Cube Root Asymptotics
本文提出了一个有效的基于Bootstrap的分布逼近的M-估计展示的Escherff（1964）型极限分布。对于这类估计量，标准的非参数自助法是不一致的。本文提出的方法是基于非参数自举，但恢复一致性，通过改变形状的标准函数定义的估计，我们寻求近似的分布。这种修改导致了一个通用的和易于实现的推理方法，从概念上不同于其他可用的分布近似。我们用四个例子说明了我们的结果在计量经济学和机器学习中的适用性。
2020-05-29 econ.EM math.ST stat.ME
Bootstrapping Estimators based on the Block Maxima Method
针对滑动分块极大值估计量渐近方差难估计的问题，提出基于循环分块极大值重采样的一致性自助法，证明经典不相交分块极大值重采样自助法的一致性及两类估计量渐近方差等价性，通过实验和案例验证方法有效性。
2025-03-25 math.ST stat.ME stat.TH
Block bootstrap optimality for density estimation with dependent data
非参数核密度估计的抽样分布的精确逼近对于许多统计推断问题是至关重要的。由于这些估计量具有复杂的渐近分布，因此Bootstrap方法通常用于此目的。带身份证。观察，大量的文献存在关于最佳的自助方法，实现最快的可能收敛速度的抽样分布的核密度估计的自助估计。对于相关数据，这样的最优性理论是一个重要的开放问题。在弱相依假设下，我们建立了核密度估计的块自举最优性的一般理论，这些假设被许多重要的时间序列模型所满足。我们提出了一个统一的框架的理论研究的一类丰富的引导方法，其中包括作为特殊情况下的二次抽样，Kunsch的移动块引导，霍尔的下平滑（UNS）以及方法，将没有（NBC）或显式偏差校正（EBC）。此外，我们认为他们的准确性下的带宽$h$，其中包括作为一个重要的特殊情况下的MSE最优的选择，以及其他欠平滑的选择广泛的选择。根据每一个选择的$h$，我们得出最佳的调整参数和比较最佳性能的主要子类（EBC，NBC，UNS）的引导方法。
2019-09-05 math.ST stat.ME stat.TH
Nonparametric Bootstrap Inference for the Targeted Highly Adaptive LASSO Estimator
高度自适应LASSO目标最小损失估计（HAL-TMLE）是统计模型中的路径可微参数的有效插入式估计器，其最小（并且可能仅）假设真实滋扰功能参数（即，数据分布的相关部分）是有限的。它依赖于滋扰功能参数的初始估计（HAL-MLE），通过最小化经验风险的参数空间的约束下，候选函数的截面变化范数由一个常数，其中这个常数可以选择与交叉验证。在这篇文章中，我们建立了HAL-TMLE的非参数自举，固定在一个大于或等于交叉验证选择器的值的截面变异范数的值，提供了一个一致的方法来估计HAL-TMLE的正态极限分布。为了优化有限样本覆盖率的非参数引导置信区间，我们提出了一种选择方法，该方法是基于运行的非参数引导的所有值的截面变异范数大于交叉验证选择的一个，随后确定一个值，在该值处得到的置信区间的宽度达到一个平台。我们展示了我们的方法：1）平均治疗效果的非参数估计，基于对每个单位的协变量向量，二元治疗和结果的观察，以及2）数据分布的多变量密度平方积分的非参数估计。此外，我们还提出了模拟结果，这两个例子证明了优秀的有限样本覆盖率的基于引导的置信区间。
2020-02-07 math.ST stat.ME stat.TH
Perturbation Bootstrap in Adaptive Lasso
自适应Lasso（Alasso）是Zou [ \textit{J. Amer. Statist. Assoc. \textbf{101} (2006) 1418-1429} ]在Lasso的基础上提出的，用于线性回归模型的变量选择和参数估计。Zou（2006）建立了Alasso估计量是变量选择相容的，并且在某些固定维设置中对应于非零回归系数的指数是渐近正态的。Minnier，Tian和Cai [ \textit{J. Amer. Statist. Assoc. \textbf{106} (2011) 1371-1382} ]在一篇有影响的论文中提出了一种扰动自助法，并建立了固定维情形下Alasso估计的分布相合性。然而，在本文中，我们表明，这种（天真）扰动引导未能实现二阶正确性近似的分布的Alasso估计。我们提出了一个修改的扰动自举目标函数，并表明，一个适当的学生化的版本，我们修改后的扰动自举Alasso估计达到二阶的正确性，即使当模型的尺寸被允许增长到无穷大的样本量。因此，基于修改的扰动引导的推断将比基于oracle正态近似的推断更准确。我们给出了模拟研究，证明了我们的改进扰动自举方法的良好的有限样本特性，以及我们的方法在一个真实的数据集上的说明。
2018-02-14 math.ST stat.ME stat.TH
Unbiased Risk Estimation in the Normal Means Problem via Coupled Bootstrap Techniques
本文提出耦合自助法（CB），通过向数据添加正态噪声生成辅助向量来无偏估计正态均值问题中任意估计量的风险，并在特定假设下可恢复 SURE，实验证明其表现良好。
2024-04-24 math.ST stat.ME stat.TH
Bootstrap-Assisted Inference for Generalized Grenander-type Estimators
针对广义 Grenander 型估计量极限分布难以用标准 bootstrap 一致逼近的问题，提出经自动变换且可适应未知平坦度的 bootstrap 辅助推断方法。
2024-07-04 econ.EM math.ST stat.ME
Confidence intervals centred on bootstrap smoothed estimators: an impossibility result
本文基于决策论性能界限证明，在嵌套线性回归模型测试床中，不存在以自助法平滑估计量为中心且基于数据宽度的置信区间，能同时满足最小覆盖率与理想的缩放期望长度要求。
2019-10-21 math.ST stat.ME stat.TH
Optimal hybrid block bootstrap for sample quantiles under weak dependence
在弱强混合假设下，建立了样本分位数的块自助分布估计的一般最优性理论。与现有的结果相比，我们研究了不同数量的块的块引导。这对应于二次采样自举和移动块自举（MBB）之间的混合，其中块的数量介于1和样本量与分组长度的比率之间。我们的主要定理确定了块数和分组长度的最佳选择，以实现样本分位数的块自助分布估计的最佳收敛速度。作为我们分析的一部分，我们还证明了一个重要的引理，它给出了块自助分布估计的收敛速度，甚至对光滑函数模型的影响。我们提出了一个直观的程序，经验选择的最佳数量和长度的块。相关的例子说明了最佳选择块的数量的好处。
2017-10-06 math.ST stat.TH
Bootstrap inference for linear regression between variables that are never jointly observed: application in in vivo experiments
针对无法同时观测的变量间线性回归系数估计问题，提出基于矩和最优传输理论的估计量，并开发分层自助法构建置信区间，在小鼠体内实验中成功识别出朴素方法无法发现的生物标志物关系。
2025-03-07 math.ST stat.ME stat.TH
Generalized bootstrap in the Bures-Wasserstein space
Weierstrass Institute for Applied Analysis and Stochastics（魏尔斯特拉斯应用分析与随机性研究所）
提出基于自助法的不确定性量化方法，通过重加权估计量近似Bures-Wasserstein度量下经验重心的抽样分布，并推广到M估计量的广义自助框架，实验验证于图结构数据。
2026-06-24 math.ST stat.AP stat.TH
Resampling-free bootstrap inference for quantiles
Bootstrap推断是获得分位数和分位数差分估计的稳健推断的有力工具。Bootstrap推理的计算密集性使其在大规模实验中不可行。在本文中，Poisson bootstrap算法和分位数估计的理论特性，推导出替代的重新采样免费算法的Poisson bootstrap推断，大大降低了计算复杂性，没有额外的假设。这些发现与基于顺序统计量的分位数分析置信区间的现有文献有关。结果解锁自助推断的差异，分位数几乎任意大的样本。在Spotify，我们现在可以轻松地计算具有数亿个观测值的A/B测试中的分位数和分位数差异的自举置信区间。
2022-03-09 math.ST stat.CO stat.ME
Bias Correction with Jackknife, Bootstrap, and Taylor Series
University of California, Berkeley（加州大学伯克利分校）；Stanford University（斯坦福大学）
我们分析了使用折刀法，自助法和泰勒级数的偏差校正方法。本文主要研究了二项模型，并考虑了在$f \in C[0,1]$是任意的情况下估计$f(p)$的偏差校正问题。我们刻画了任意连续函数的一般刀切估计和Bootstrap估计的偏差的上确界范数，并证明了在删除- $d$刀切中，不同的$d$值可能导致完全不同的刀切行为.我们证明了在二项模型中，无限次迭代Bootstrap偏差校正可能导致偏差和方差的发散，并证明了在满足有界系数条件下，经过$r-1$轮的Bootstrap偏差校正估计的偏差性质与$r$ -jackknife估计的偏差性质是同阶的.
2020-06-16 cs.IT cs.LG math.IT
Random forest estimation of conditional distribution functions and conditional quantiles
我们提出了一个理论研究的两个现实估计的条件分布函数和条件分位数使用随机森林。估计过程在构建森林时使用从原始数据集生成的自举样本。Bootstrap样本被重用来定义第一个估计量，而第二个估计量只需要原始样本，一旦森林已经建立。我们证明了这两个估计的条件分布函数是一致相合的。据我们所知，这是第一个包含引导部分的一致性证明。我们还说明了一个数值例子的估计程序。
2022-08-29 math.ST stat.TH
Resampling in Time Series Models
本计画主要研究不同时间序列模型中参数的估计量及其渐近性质。我们介绍了各种自助技术的估计。我们特别强调的是加权Bootstrap。我们建立了这个计划的一致性AR模型及其变化。数值计算进一步支持我们的一致性结果。接下来，我们分析了多模型，并研究了用于不同误差分布的各种估计。我们还提出了估计分布的估计量的resterning技术。最后通过模拟数据分析了估计量的数值性质。
2012-01-05 math.ST stat.TH
Normalized least-squares estimation in time-varying ARCH models
研究了时变扰动过程。结果表明，该模型可以描述金融时间序列中常见的收益率平方样本自相关的慢衰减现象，这为进一步研究该模型的参数估计方法提供了依据。由于参数随时间变化，因此成功的估计器需要在小样本情况下表现良好。我们提出了一个核归一化最小二乘（Kernel-NLS）估计，它具有一个封闭的形式，从而优于以前提出的核准最大似然（Kernel-QML）估计小样本。核-NLS估计器简单，在温和的矩假设下工作，并且避免了核-QML估计器施加的一些参数空间限制。理论证据表明，核NLS估计具有相同的收敛速率的核QML估计。由于核-NLS估计的计算容易，可以使用计算密集的程序。提出了一种基于预测的交叉验证方法来选择核NLS估计器的带宽。此外，我们使用基于残差的自举方案来引导tvcash过程。Bootstrap样本用于获得核-NLS估计量的逐点置信区间。它表明，使用自助和“真”的tvestimator估计的分布渐近重合。我们说明了我们的估计方法对各种货币汇率和股票指数的数据，我们得到了良好的拟合数据和准确的预测。
2008-04-04 math.ST stat.TH
Sensitivity analysis for inverse probability weighting estimators via the percentile bootstrap
为了确定缺失数据问题和观察性研究中的被估量，通常将统计估计建立在“随机缺失“和“无未测量混杂因素”假设的基础上。然而，这些假设是无法验证的经验数据，并构成严重威胁的有效性定性结论的统计推断。敏感性分析询问如果无法验证的假设在一定程度上被违反，结论可能如何改变。在本文中，我们考虑了一个边际敏感性模型，这是一个自然的延伸Rosenbaum的敏感性模型，被广泛用于匹配的观察性研究。我们的目标是构建基于逆概率加权估计的置信区间，使得当数据生成分布在边际敏感性模型的集合中时，该区间渐近地至少具有被估量的名义覆盖。我们使用一个百分位自助和广义极大极小/极大极小不等式，将这个棘手的问题转化为一个线性分式规划问题，可以非常有效地解决。我们说明了我们的方法，使用一个真实的数据集来估计的因果关系的影响，鱼类消费对血液中的汞水平。
2018-10-08 math.ST stat.ME stat.TH
Approximation for general bootstrap of empirical processes with an application to kernel-type density estimation
本文的目的是提供一个近似的广义自举经验过程，以达到Kolmos等人（1975）的速率。这个证明是基于与Horvath et al.（2000）相同的论证。因此，我们建立了自举核型密度估计的近似
2009-03-28 math.ST stat.TH
Bootstrap inference for quantile-based modal regression
本文提出了基于分位数回归的条件模式统一推理方法。具体来说，我们提出了估计条件模式的估计条件分位数函数的导数最小化平滑的线性分位数回归估计定义，并开发了两个自助方法，一个新的枢轴自助和非参数自助，我们的条件模式估计。建立在高维高斯近似技术，我们建立了同时从两个引导方法的条件模式的置信矩形的有效性。我们还将前面的分析扩展到协变量向量的维数随样本量增加的情况。最后，我们使用美国工资数据进行模拟实验和真实数据分析，以证明我们的推理方法的有限样本性能。
2021-04-12 math.ST stat.ME stat.TH
Gaussian Approximation for Lag-Window Estimators and the Construction of Confidence bands for the Spectral Density
本文针对平稳时间序列谱密度的同时置信带构建问题，提出用经典滞后窗谱密度估计量的高斯近似验证乘子bootstrap的渐近有效性并推导收敛速率，模拟研究验证了其有限样本性质。
2025-02-24 math.ST stat.TH
Regularization parameter selection in indirect regression by residual based bootstrap
基于残差的分析通常被认为是统计方法学的基石。对于一个特殊的情况下，间接回归，我们调查的残差为基础的经验分布函数，并提供了一个统一的扩展，这也是渐近最精确的估计。这项调查自然会导致一个完全的数据驱动的技术来选择我们的间接回归函数估计中使用的正则化参数。由此产生的方法是基于模型残差的平滑引导。仿真研究证明了我们的方法的有效性。
2018-02-28 math.ST stat.ME stat.TH
A simple bootstrap method for constructing nonparametric confidence bands for functions
构建函数的非参数置信带的标准方法受到偏差的影响，当使用自举和常规平滑函数估计时，偏差通常不会一致地估计。为了克服这个问题，通常的做法是欠平滑，以减少偏差的影响，或过平滑，从而引入显式或隐式偏差估计。然而，这些方法和其他基于非标准平滑方法的方法使推断过程复杂化，例如，通过要求选择新的非常规平滑参数，并且在欠平滑的情况下，产生相对宽的频带。在本文中，我们提出了一种新的方法，利用我们的优势的困难之一，在过去，已经阻止了一个有吸引力的解决方案的问题-事实上，标准的自举偏差估计遭受相对高频的随机误差。高频率，再加上一个基于分位数的技术，可以用来抑制随机误差项，导致相对狭窄，易于构建的置信带。
2013-09-19 math.ST stat.TH
Debiasing the Debiased Lasso with Bootstrap
研究了高维线性模型中回归系数的单坐标统计推断问题。近年来，去偏估计被广泛地用于构造高维模型的置信区间和假设检验。然而，一些有代表性的数值实验表明，他们往往是偏大系数，特别是当大系数的数量占主导地位的小系数的数量。本文提出了一种改进的基于自助法的去偏Lasso估计。让我们将所提出的估计量简称为BS-DB。我们证明了，在不可表示的条件和其他温和的技术条件下，在存在大比例强信号的情况下，BS-DB比去偏Lasso具有更小的偏置阶数。如果不可表示条件不成立，则保证BS-DB的性能不会比去偏Lasso渐近地更差。提出了基于BS-DB的置信区间，并在较弱的条件下证明了其渐近有效性。我们对推理问题的研究新颖地结合了Lasso关于变量选择和估计的性质。通过广泛的数值研究证明了BS-DB在去偏Lasso上的优越性能。
2020-10-17 math.ST stat.TH
Inference for concave distribution functions under measurement error
University of Bergamo（贝加莫大学）；Université Paris Nanterre（巴黎南泰尔大学）
本文提出了一种在测量误差下估计凹分布函数的方法，并构造了检验凹性假设的非参数检验，通过理论分析和模拟研究验证了其有效性。
2026-03-01 math.ST stat.TH
Conditional empirical copula processes and generalized dependence measures
当条件事件具有非零概率时，研究了条件经验copula过程的弱收敛性。几个自助方案的有效性，包括可交换的自助。我们定义了一般可能条件多元相关测度及其估计量.应用我们的理论结果，我们证明了这类相依测度的一些估计的渐近正态性。
2020-08-21 math.ST stat.TH
Estimation of smooth functionals in high-dimensional models: bootstrap chains and Gaussian approximation
令$X^{(n)}$是从分布$P_θ^{(n)}$中采样的观测值，其中未知参数$θ,$ $θ$是Banach空间$E$（通常是维数为$d$的高维空间）中的向量。本文研究了基于观测$X^{(n)}\sim P_θ^{(n)}.$的具有一定光滑度的函数$f:E\mapsto {\mathbb R}$的$f(θ)$的估计问题。假设存在参数$θ$的估计量$\hat θ_n=\hat θ_n(X^{(n)})$，使得$\sqrt{n}(\hat θ_n-θ)$在分布上充分接近于$E,$中的一个均值为零的高斯随机向量，我们构造了一个函数$g:E\mapsto {\mathbb R}$，使得$g(\hat θ_n)$是具有$\sqrt{n}$率的$f(θ)$的渐近正态估计量，条件是：$s>\frac{1}{1-α}$和$d\leq n^α$的一些$α\in (0,1).$我们还得到了一般上界的Orlicz范数误差率估计$g(\hat θ)$取决于平滑度$s,$维$d,$样本大小$n$和正态逼近的$\sqrt{n}(\hat θ_n-θ).$特别是，这种方法产生渐近有效的估计在一些高维指数模型。
2022-04-16 math.ST stat.TH
Bootstrap tuning in ordered model selection
在模型选择的问题，为一个给定的家庭的线性估计，其方差排序，我们提供了一个新的“最小接受”的方法，激励Lepski的方法和多重检验理论。该过程选择最小的模型，满足验收规则的基础上与所有较大的模型进行比较。该方法是完全数据驱动的，不使用任何先验信息的方差结构的噪声：其参数调整到潜在的可能异构的噪声通过所谓的“传播条件”，使用野生自助法。证明了自举校准的有效性，有限的样本与一个明确的误差界。我们提供了一个全面的理论研究的方法，并详细描述了一组可能的值的选择器\( \hat{m} \)。我们还建立了相应的估计量\( \hatθ = \tildeθ_{\hat{m}} \)的精确预言误差界，它同样适用于整个参数向量，某些子向量或线性映射的估计，以及线性泛函的估计。
2015-07-17 math.ST stat.TH
Confidence intervals in monotone regression
本文为单调回归函数构建了基于平滑最小二乘估计器（SLSE）的一致自助法置信区间，推导其渐近分布，比较多种估计器效果，提出自动带宽选择方法，并修正了先前研究的错误。
2023-05-22 math.ST stat.TH
Role of Bootstrap Averaging in Generalized Approximate Message Passing
本文研究广义近似消息传递（GAMP）中自助平均的作用，通过状态演化分析发现，在数据生成与稀疏假设不符且样本量小时，自助平均能有效降低方差，并揭示相变现象，表明存在使无偏估计量方差最小的区域。
2023-05-18 cond-mat.dis-nn cs.IT math.IT
Minimum divergence estimators, Maximum Likelihood and the generalized bootstrap
本文试图从经典的最大似然定义出发，为使用某些离散指数提供一个合理的解释，并将相应的基本推理原理应用于模型与数据的经验测度的某些扩展之间的指数最小化作为其自然扩张出现的情况。这导致了所谓的广义自举设置，其中最小发散推断似乎取代了最大似然估计。1动机和背景概率测度之间的差异被广泛用于统计和数据科学，以便在各种模型下进行推断，参数或半参数，甚至在非参数设置中。相应的方法扩展了似然范式，并在最小"距离"框架中插入了推理，这为在模型下或在误指定下得到的估计量和检验的性质提供了方便的描述。此外，它们为大量竞争性方法铺平了道路，这些方法允许在效率和鲁棒性之间进行权衡。已经提出了许多这样的分歧，其中一些来自经典统计学（如卡方），而另一些则起源于其他领域，如信息论。一些差异的度量涉及相应的概率测度的规律性，而另一些则似乎仅限于有限或可数空间上的度量，至少在将它们用作推理工具时是如此，此后在模型的元素必须面对数据集的情况下。在许多情况下，在特定背景下选择特定的差异度量是任意的，尽管由此得出的推断结论可能会相应地不同，尤其是在错误指定的情况下;然而，当目标是鲁棒性时，对这种方法的需求是明确的。
2020-11-03 math.ST stat.TH
CLT and Edgeworth Expansion for m-out-of-n Bootstrap Estimators of The Studentized Median
Department of Industrial Engineering and Management Science Northwestern University（工业工程与管理科学系西北大学）；Department of Computer Science Northwestern University（计算机科学系西北大学）
本文为 m-out-of-n 自助法估计样本分位数建立了无参数保证，证明中心极限定理并给出 Edgeworth 展开与 Berry-Esseen 界，且应用于 MCMC 和 MDP 等现代任务。
2025-10-24 cs.AI cs.CE cs.LG
Robust Inference for Convex Pairwise Difference Estimators
Princeton University（普林斯顿大学）；UC Berkeley（加州大学伯克利分校）；University of Warwick（华威大学）
针对凸成对差分估计量，本文发展了分布理论和基于自助法的推断方法，通过小带宽渐近理论、广义刀切去偏和调整带宽方差扭曲的自助法，实现了在更弱带宽条件下的有效推断。
2026-05-28 econ.EM math.ST stat.ME
Unbiased Test Error Estimation in the Poisson Means Problem via Coupled Bootstrap Techniques
本研究针对泊松均值问题提出耦合Bootstrap方法，通过合成二项噪声生成训练测试样本并多次抽样平均，在特定条件下可恢复无偏估计，适用于两种损失函数，还通过理论分析和实证验证了参数对估计精度的影响。
2024-08-18 math.ST stat.ME stat.TH
