wildbootstrap法
    Wild Bootstrap方法（Wild Bootstrap Method），也称为“问题感知自助法”（Problem-Aware Bootstrap Method），是一种非参数统计方法，可以用于处理样本存在异方差等问题时的统计推断。Wild Bootstrap方法采用了一种“包络”（envelope）思想，生成的新样本会被限制在一定范围内，从而克服了样本存在异方差等问题对统计推断的影响。
    Wild Bootstrap法主要应用于回归分析，例如普通最小二乘回归（OLS）、岭回归、Lasso回归等。在回归分析中，通常通过检验残差的异方差性来确定是否需要使用wild bootstrap法。
    与传统的自助法（bootstrap）相比，Wild Bootstrap法是利用附加的噪声区分了有用的信号（如回归系数）和无用的噪声。Wild Bootstrap法也可以用于处理稳健回归的问题。
    1. 计算观测值的残差 $\hat{\epsilon}$。
    2. 产生n个噪声项，并将它们对现有的残差进行线性组合，得到一个新的残差 $\hat{\epsilon}' = \hat{\epsilon} + a_j\epsilon_j'$，其中 $\epsilon_j'$ 是从噪声项中随机抽样
的。
    3. 做回归来估计相应的统计量（如回归系数）。
    4. 重复步骤2和步骤3，生成B个新样本，计算出相应的统计量。
    5. 通过计算新样本的样本标准差来估计标准误。
    6. 通过计算标准误的百分位数来获得置信区间。
    Wild Bootstrap法的优点在于它不受异方差影响，因此对于许多回归问题，它的效果可能会更好。但是，Wild Bootstrap法需要产生更多的样本来进行计算，因此它可能需要更长的计算时间。
    总之，Wild Bootstrap法是一种适用于回归分析和稳健回归的非参数统计方法，可以很好地解决样本存在异方差等问题，提高统计推断的精度和可靠性。但是，它需要更长的计算时间，需要仔细考虑在什么情况下使用。
>bootstrap检验方法

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。