Wild Bootstrap Inference for Linear Regressions with Many Covariates
本文提出一种改进的野自助法，证明了其在含许多协变量和异方差误差的线性回归中的渐近有效性，模拟显示该方法在小样本且控制变量数量与样本量同阶时有限样本性能优异。
2025-06-26 econ.EM
Bootstrap Inference on Partially Linear Binary Choice Model
本文针对部分线性二元选择模型在有限样本下渐近推断不可靠的问题，提出自举推断方法，并通过蒙特卡洛模拟验证其有限样本表现优于渐近近似方法。
2023-11-30 econ.EM
Moderating the Mediation Bootstrap for Causal Inference
本研究通过大规模模拟探讨简单中介模型中自助法置信区间的覆盖率问题，发现保守行为源于分布形状对系数的依赖，且双重自助法校正适得其反，BC方法在无中介时提高覆盖率但小效应时仍自由。
2024-12-15 econ.EM
Local Projections Bootstrap Inference
本文针对局部投影推断中有限阶VAR自助法在长期脉冲动态近似上的不足，提出在DGP形式未知且可能为无限阶过程的设定下，利用移动平均表示构造更灵活的自助法推断程序。
2025-09-22 econ.EM
Inference in dynamic models for panel data using the moving block bootstrap
针对部分回归变量非严格外生时线性面板数据模型推断复杂的问题，提出对相邻横截面块有放回重采样的面板移动块bootstrap方法，复制组内估计量极限分布，使反向百分位bootstrap的置信椭球和假设检验渐近有效且无需考虑偏差。
2025-02-12 econ.EM
Wild Bootstrap Inference for Penalized Quantile Regression for Longitudinal Data
现有的纵向数据惩罚分位数回归理论主要集中在点估计上。在这项工作中，我们调查统计推断。我们提出了一个野生残差自助程序，并证明了它是渐近有效的近似惩罚估计的分布。该模型对个体效应没有限制，估计量通过让收缩率在重要性上渐近衰减来实现一致性。新方法易于实现，仿真研究表明，它具有准确的小样本行为相比，现有的程序。最后，我们说明了新的方法，使用美国人口普查数据来估计一个模型，其中包括超过八万个参数。
2022-05-09 econ.EM
Bootstrap Cointegration Tests in ARDL Models
针对条件均衡修正模型中Pesaran、Shin和Smith边界检验的一些典型缺陷，如不确定性推断和规模失真，提出了一种新的Bootstrap方法.在几种数据生成过程下进行了Bootstrap检验，包括退化情况。蒙特卡罗模拟证实了更好的性能的自举测试的约束和渐近F检验的ARDL模型的自变量。它也证明了，在错误指定的模型，如无条件ARDL进行的任何推理，可能是误导。实证应用强调了采用适当规范的重要性，并在探索经济变量之间的长期均衡关系时，为约束检验的不确定性推断提供了明确的答案。
2022-04-11 econ.EM
Bootstrap inference in the presence of bias
该研究针对存在渐近偏差的估计量的bootstrap推断问题，证明预枢轴化方法可恢复bootstrap有效性，提出两种实现方案与通用有效性条件，并通过五类示例验证了结果的实用性。
2023-11-08 econ.EM stat.ME
A Residual Bootstrap for Conditional Value-at-Risk
本文提出条件风险价值两步估计量的固定设计残差 bootstrap，证明其一致性并构建区间，模拟显示反尾区间覆盖准确，且小样本下区间更短。
2023-08-15 econ.EM
Cluster-robust jackknife and bootstrap inference for logistic regression models
针对logistic回归模型中基于CRVE推断不可靠的问题，提出了簇级Jackknife及线性化的wild cluster bootstrap等高效替代方法，并开发了Stata包logitjack，模拟与实证均验证其有效性。
2025-05-02 econ.EM
Gradient Wild Bootstrap for Instrumental Variable Quantile Regressions with Weak and Few Clusters
针对少量大聚类下的工具变量分位数回归推断问题，提出梯度野生自助Wald检验和弱识别稳健的野生自助AR检验，证明其渐近水平控制性质与功效优势，通过模拟和美国劳动力市场数据实证验证了有限样本性能。
2024-08-20 econ.EM
Bootstrap Inference in Nonlinear Panel Data Models with Interactive Fixed Effects
KU Leuven（荷语鲁汶大学）
本文提出使用参数自助法进行非线性面板数据模型中交互固定效应的最大似然估计推断，证明其渐近无偏性，并提出基于变换的自助置信区间以提升小样本性能。
2026-04-29 econ.EM stat.ME
Bootstrap inference in factor-augmented regressions with weak factors
Center for Data Science, Waseda University（早稻田大学数据科学中心）；Department of Economics and Related Studies, University of York（约克大学经济与相关研究系）；Graduate School of Economics and Management, Tohoku University（东北大学经济管理学院）
针对因子增广回归模型估计量分布近似问题，提出更高效的bootstrap算法，采用两种数据依赖旋转矩阵及纯信号依赖旋转矩阵证明其渐近有效性，实验验证性能优于现有方法。
2026-10-15 econ.EM stat.ME
Bootstrap Inference with a Randomly Assigned Regressor: Covariance Filtering and the Limits of Marginal Resampling
University at Albany, State University of New York（纽约州立大学奥尔巴尼分校）；University of Connecticut（康涅狄格大学）
本文研究随机分配回归元下自助推断的失效问题，提出仅需恢复随机化回归元得分携带的协方差，并通过标准依赖估计器在有序或分组依赖条件下恢复有效性，模拟表明固定带宽校准可减少尺寸失真。
2026-10-06 econ.EM
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
Autoregressive Wild Bootstrap Inference for Nonparametric Trends
在本文中，我们提出了一个自回归的野生自助方法来构建一个光滑的确定性趋势周围的置信带。自举法易于实施，在存在缺失数据的情况下不需要任何调整，这使得它特别适合于气候学应用。我们建立了一般条件下的逐点和同步置信带的自助方法的渐近有效性，允许一般模式的缺失数据，序列依赖性和异方差。在模拟研究中的方法的有限样本特性进行了研究。我们使用的方法来研究在日常测量的大气乙烷在瑞士阿尔卑斯山的气象站，在那里的方法可以很容易地处理由于不利的天气条件下，许多缺失的观测结果的趋势的演变。
2019-11-25 econ.EM stat.ME
Wild Bootstrap for Instrumental Variables Regressions with Weak and Few Clusters
本文在少数量大聚类框架下研究工具变量回归的Wild Bootstrap推断，提出Wald检验和Anderson-Rubin检验，证明其在强识别或弱识别条件下均能有效控制检验水平，并通过模拟和实证验证了方法的有限样本表现。
2024-01-18 econ.EM
Partitioned Wild Bootstrap for Panel Data Quantile Regression
针对具有时间序列依赖的多期面板分位数回归，本文提出采用分块不变随机权重的分块野生 bootstrap 推断方法，证明其渐近有效，并通过模拟和实证应用验证了小样本准确性与实用性。
2025-07-24 econ.EM
Inference by Stochastic Optimization: A Free-Lunch Bootstrap
当渐近方差不容易解析时，评估极值估计中的采样不确定性可能具有挑战性。Bootstrap推理提供了一个可行的解决方案，但计算成本很高，特别是当模型很复杂时。本文使用一个专门设计的随机优化算法的迭代作为借鉴，从点估计和自助标准误差可以计算在一个单一的运行。绘制是由梯度和Hessian生成的，这些梯度和Hessian是从每次迭代时重新采样的数据批次中计算出来的。我们表明，这些提请产生一致的估计和渐近有效的频率论推理的一大类经常性问题。该算法提供了准确的标准误差在模拟的例子和经验的应用，在低计算成本。从算法中得出的结论也提供了一种方便的方法来检测数据的不规则性。
2020-09-14 econ.EM math.ST stat.TH
Bootstrapping Nonstationary Autoregressive Processes with Predictive Regression Models
本文证明了Phillips和Magdalinos (2009)提出的基于自举的IVX估计量在预测回归模型中的渐近有效性，该模型涵盖近非平稳和近平稳过程，并通过Monte Carlo实验验证了理论结果的统计有效性。
2023-07-26 econ.EM
Inference for First-Price Auctions with Guerre, Perrigne, and Vuong's Estimator
我们考虑独立私人价值范式下的第一价格密封拍卖模型中估值概率密度的推断。我们证明了Guerre，Perrigne，and Vuong（2000）（GPV）的两步非参数估计的渐近正态性，并提出了一个易于实现的渐近方差的相容估计。我们证明了基于GPV估计的逐点百分位数Bootstrap置信区间的有效性。最后，我们使用中间高斯近似的方法来构建基于Bootstrap的渐近有效的一致置信带的密度的估值。
2019-03-15 econ.EM
The Factor-Lasso and K-Step Bootstrap Approach for Inference in High-Dimensional Economic Applications
我们考虑在一个线性面板数据模型中的一小部分感兴趣的变量的系数与添加剂未观察到的个人和特定时间的影响和大量的额外的随时间变化的混杂变量的推断。我们允许这些额外的混杂变量的数量大于样本量，并假设，除了不受限制的时间和个人的具体影响，这些混杂变量是由少量的共同因素和高维弱相关干扰。我们允许因子和扰动都与结果变量和其他感兴趣的变量有关。为了使信息推理可行，我们施加的贡献的部分混杂变量没有捕获的时间特定的影响，个人特定的影响，或共同的因素，可以捕获的一个相对较少的条款，其身份是未知的。在这个框架内，我们提供了一个方便的计算算法的基础上提取的因素，然后由套索回归推断有关参数的兴趣，并表明所产生的过程具有良好的渐近性质。我们还提供了一个简单的k步引导程序，可用于构建有关参数的推断声明，并证明其渐近有效性。建议的引导程序可能是实质性的独立利益以外的本上下文，因为建议的引导程序可以很容易地适应其他上下文，涉及推断后套索变量选择和证明其有效性需要一些新的技术参数。我们还提供了模拟证据，我们的程序的性能，并说明其使用在两个实证应用程序。
2016-12-06 econ.EM stat.ME
A Bootstrap-Assisted Self-Normalization Approach to Inference in Cointegrating Regressions
针对协整回归中传统推断对调优参数敏感且水平扭曲严重的问题，提出无需估计长期方差的自标准化检验，结合向量自回归筛子自助法，在保持功效的同时减少扭曲，并实证验证了费雪效应。
2022-04-04 econ.EM 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 Inference under General Two-way Clustering with Serially and Spatially Dependent Common Effects
University at Albany – State University of New York（奥尔巴尼大学-纽约州立大学）
本文提出了一种针对双向聚类数据线性回归模型的Bootstrap推断方法，通过五种不同渐进行为的框架分析，提出数据驱动的聚类分类器和基于投影的野Bootstrap方法，实现对四种可行框架的统一推断。
2026-05-01 econ.EM math.ST stat.TH
High-dimensional Data Bootstrap
本文综述了近年来高维Bootstrap的研究进展。我们首先回顾高维中心极限定理分布的样本均值向量的矩形，自举一致性结果在高维，和关键技术用于建立这些结果。然后，我们审查选定的应用程序的高维引导：建设的同时置信集的高维向量参数，多个假设检验通过逐步下降，后选择推理，交叉界限部分确定的参数，并在政策评估的最佳政策的推断。最后，我们还对未来的研究方向进行了展望。
2022-05-19 econ.EM math.ST stat.TH
Bootstrapping Fisher Market Equilibrium and First-Price Pacing Equilibrium
本文首次为线性 Fisher 市场和第一价格 pacing 均衡建立统计有效的自举推断程序，通过 epi-收敛理论解决受约束 M-估计量自举难题，并用实验验证理论。
2025-03-09 cs.GT econ.EM math.ST
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
Inference on Functionals under First Order Degeneracy
本文提出了一个统一的二阶渐近框架进行推断的参数$ϕ(θ_0)$的形式，其中$θ_0$是未知的，但可以估计由$\hatθ_n$，$ϕ$是一个已知的地图，允许零一阶导数在$θ_0$。对于文献中的大量例子，二阶Delta方法揭示了插入式估计量$ϕ(\hatθ_n)$的非退化弱极限。然而，我们表明，“标准”引导是一致的，当且仅当二阶导数$ϕ_{θ_0}''=0$在正则性条件下，即，如果是$ϕ_{θ_0}''\neq 0$，则标准自举是不一致的，并且提供了对推断没有帮助的退化极限。因此，我们确定了与Fang和Santos（2018）不同的引导失败的来源，因为即使$ϕ$是可微的，问题（始终引导\textit{nondegenerate}极限）仍然存在。我们证明了Babu（1984）中的修正过程可以推广到我们的一般设置。另外，当映射是\textit{in addition}二阶不可微映射时，提出了一种改进的自举方法。两者都显示在某些条件下提供局部尺寸控制。作为一个例子，我们开发了一个测试的共同条件heteroskedastic（CH）功能，设置与退化和不可微-后者是因为雅可比矩阵是退化为零，我们允许存在多个共同的CH功能。
2019-01-15 econ.EM math.ST stat.TH
Bootstrapping with AI/ML-generated labels
Yale University（耶鲁大学）；McGill University（麦吉尔大学）；Université de Montréal（蒙特利尔大学）
本文研究了在经济回归中使用AI/ML生成的二元变量时，自助法能否纠正偏差并提供有效推断。提出了一种联合标签自助法，并通过模拟和实证分析验证其有效性。
2026-04-26 econ.EM stat.ML
Estimation and Inference by Stochastic Optimization: Three Examples
本文阐述了Forneron & Ng（2020）中设计的两种算法：重采样牛顿-拉夫森（rNR）和重采样拟牛顿（rqN）算法，它们可以加快结构模型的估计和自举推理。对BLP的经验应用表明，计算时间从标准引导的近5小时减少到rNR的1小时多一点，而使用rqN仅需15分钟。第一次蒙特卡洛演习说明了在概率单位IV回归估计和推断的方法的准确性。第二个练习还说明了统计效率增益相对于标准估计的模拟为基础的估计使用动态面板回归的例子。
2021-02-20 econ.EM stat.ME
Parameters on the boundary in predictive regression
University of Bologna（博洛尼亚大学）；University of Exeter（埃克塞特大学）
本文研究了在预测回归中参数可能位于参数空间边界的bootstrap推断问题，提出通过调整参数空间以消除边界影响，从而改进推断有效性。
2024-09-19 econ.EM stat.ME
Generative modeling for the bootstrap
University of Washington（华盛顿大学）；University of California, Berkeley（加州大学伯克利分校）
本文提出基于生成建模的自助法，能够产生适用于常规和不规则估计量的统计有效置信区间，克服传统自助法的局限性。
2026-02-19 econ.EM stat.ME
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
Inference without smoothing for large panels with cross-sectional and temporal dependence
本文讨论了在大面板数据模型中，同时存在未知形式的横截面和时间相关的推断问题。我们有兴趣作出推论，不依赖于任何平滑参数的选择，因为是经常采用的“HAC”估计的协方差矩阵的情况下。为此，我们提出了一个集群估计的渐近协方差的估计和有效的自助方案，不需要选择的带宽或平滑参数，并容纳非参数性质的时间和横截面的依赖。我们的方法是基于这样的观察，即固定效应面板数据模型的谱表示是这样的，误差变得近似时间不相关。我们提出的自举方案可以被视为在频域中的野生自举。我们提出了一些蒙特卡罗模拟，以阐明我们的推理过程的小样本性能。
2020-06-25 econ.EM math.ST stat.TH
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
