[论文解读] Bootstrap-Based Inference for Cube Root Asymptotics
本文提出了一种针对具有立方根渐近性质的M-估计量的一致性自助法——在标准非参数自助法失效的情况下，通过重塑目标函数，确保自助经验过程的均值近似于其总体对应均值。该方法通过使用关键矩阵的一致估计量进行二次均值校正，恢复了一致性，从而在非高斯、非标准渐近设置下实现有效推断，这类设置在计量经济学和机器学习中很常见。
This paper proposes a valid bootstrap-based distributional approximation for M-estimators exhibiting a Chernoff (1964)-type limiting distribution. For estimators of this kind, the standard nonparametric bootstrap is inconsistent. The method proposed herein is based on the nonparametric bootstrap, but restores consistency by altering the shape of the criterion function defining the estimator whose distribution we seek to approximate. This modification leads to a generic and easy-to-implement resampling method for inference that is conceptually distinct from other available distributional approximations. We illustrate the applicability of our results with four examples in econometrics and machine learning.
研究动机与目标
- 解决标准非参数自助法在具有立方根渐近性质的M-估计量推断中不一致的问题。
- 克服此类模型中极限分布依赖于无限维干扰参数的挑战，从而复杂化推断过程。
- 开发一种通用且易于实现的重抽样方法，以在切尔诺夫型极限分布下恢复自助法的一致性。
- 为具有非标准收敛速率的设置提供一个理论基础坚实的替代方案，以替代子抽样及其他m-out-of-n自助法。
- 在最大评分估计、序性密度估计以及高维分类模型等应用中实现实际推断。
提出的方法
- 修改定义M-估计量的原始目标函数，以确保自助经验过程的均值近似于总体均值。
- 引入一个重塑的经验过程，其中均值的二次项通过关键矩阵H₀的一致估计量进行校正。
- 使用从经验分布函数中抽取大小为n的重抽样进行非参数自助法。
- 通过使自助过程的均值与总体过程的二次形式对齐，确保估计量的自助分布弱收敛至真实极限分布。
- 利用最大值连续映射定理和紧集上一致收敛拓扑下的弱收敛性，建立渐近有效性。
- 利用Pollard（1989）的极大不等式，建立有限维投影的随机等度连续性和条件弱收敛性。
实验结果
研究问题
- RQ1能否为标准非参数自助法失效的具有立方根渐近性质的M-估计量构造一种一致性自助法？
- RQ2如何修改自助法，以确保自助世界中的经验过程能模仿总体过程的均值结构？
- RQ3在何种条件下，重塑的自助目标函数能确保自助分布弱收敛至真实极限分布？
- RQ4在哪些计量经济学和机器学习模型中，该方法能在标准自助法失效时实现一致推断？
- RQ5与子抽样或m-out-of-n自助法等现有替代方法相比，该方法在有限样本性能和实现便捷性方面表现如何？
主要发现
- 所提出的自助方法通过重塑目标函数，使自助经验过程的均值与总体对应均值对齐，从而在具有立方根渐近性质的M-估计量中实现一致性。
- 该方法通过依赖于矩阵H₀的一致估计量的二次校正项恢复了一致性，H₀决定了经验过程的二次均值。
- 自助分布在紧集上一致收敛的拓扑下弱收敛至真实极限分布，从而确保有效推断。
- 该方法具有通用性且易于实现，仅需H₀的一致估计量，而该估计量在实践中通常可得。
- 在标准正则性条件下，该方法在理论上是有效的，包括有限维投影的随机等度连续性和条件弱收敛性。
- 该方法适用于广泛的一类模型，包括最大评分估计、序性密度估计以及在形状约束下的高维M-估计。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。