评论：用bootstrap进行高维同时推理

@文章{Bradic2017CommentsOH，title={注释：用bootstrap}进行高维同时推理，author={Jelena Bradic和Yinchu Zhu}，日志={TEST}，年份={2017年}，体积={26}，页码={720-728}，网址={https://api.semanticscholar.org/CorpusID:88517811}}
本文在稀疏和高维线性模型中同时测试的背景下，提出了残差和配对自举方法的形式，并主张自举是一个完整的高维估计，而不是测试统计的线性化部分。
Springer上的视图
[PDF]语义阅读器
1引文
背景引文
1

询问这篇论文
贝塔
AI供电

我们的系统试图限制本文中发现的信息。结果质量可能有所不同。了解更多信息关于我们如何产生这些答案。

一篇引文

关于的复辩词：具有bootstrap的高维同时推理

我们感谢讨论者提出的有趣、鼓舞人心和深思熟虑的意见和想法。我们在这里提供了一些回应。

6参考文献

高维线性模型的同时推理

基于最近的去散化Lasso估计器，一种自举辅助程序，用于对高维稀疏线性模型进行同步推理，该估计器渐近达到预先指定的显著性水平，并且即使在模型误差为非高斯时，其功率也具有一定的最优性。

非解析高维线性模型的显著性检验

结果表明，现有的推理方法对稀疏性假设很敏感，进而可能导致严重缺乏对I类错误的控制，本文提出了一种新的推理方法，称为CorrT，该方法对模型的异方差和缺乏稀疏性等错误指定具有鲁棒性。

非解析高维线性模型中的假设检验

引导程序

bootstrap是一种用于统计推断的重采样方法。它通常用于估计置信区间，但也可用于估计估计器或…

高维线性模型的自举和野自举