Coverage error optimal confidence intervals for local polynomial regression¶

作者: Sebastian Calonico, Matias D. Cattaneo, Max H. Farrell
来源: Bernoulli
主题: 非参数 / 半参数
相关性: 8/10
链接: 期刊页 · arXiv

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向的核心问题是：在非参数回归（特别是局部多项式回归）中，如何构造一个在有限样本下具有精确覆盖概率的置信区间？ 传统的一阶渐近理论（基于正态近似）在非参数设定下会因“偏差-方差权衡”而产生显著的覆盖误差：带宽选择过大导致偏差主导，区间中心偏移；带宽过小导致方差过大，区间过宽。因此，该方向试图通过高阶渐近展开（Edgeworth 展开）来量化并最小化覆盖误差，从而指导带宽、核函数等调优参数的选择，实现“推断最优”而非传统的“估计最优”。当前该方向已从纯理论（Edgeworth 展开的存在性）发展到实用化（软件包实现），但仍有若干技术缺口。

发展脉络¶

奠基工作（1887–1990s）：Edgeworth (1887) 提出了“误差定律”，即 Edgeworth 展开的雏形，为后续高阶渐近分析提供了理论基础。Neumann (1997) 在异方差非参数回归中研究了点态置信区间，比较了“欠平滑”（undersmoothing）与“偏差校正”两种策略，并指出欠平滑在某些设定下优于偏差校正——这为后来的争论埋下伏笔。
主要进展（2010s 中期）：Calonico, Cattaneo & Farrell (2015) 在核密度估计和局部多项式回归的背景下，系统研究了偏差校正对置信区间覆盖误差的影响。他们证明：偏差校正可以优于欠平滑，前提是使用一种新颖的 Studentization 方法（即“稳健偏差校正”）。这一工作扭转了 Neumann (1997) 的结论，并首次提出了覆盖误差最优带宽的概念。该文是本文的直接前驱。
当前 frontier（2018–2020）：Calonico, Cattaneo & Farrell (2018) 将上述方法应用于断点回归设计（RDD），建立了 RBC 置信区间的覆盖误差展开，并推导了推断最优带宽。Cattaneo, Farrell & Feng (2018) 将类似思路推广到基于划分的级数估计（样条、小波、分段多项式）。Tuvaandorj (2020) 从 minimax 角度研究了 RDD 中的估计最优性，但明确区分了“点估计 minimax”与“推断最优”的不同目标。
本文的位置：本文在 Calonico et al. (2015, 2018) 的基础上，将 Edgeworth 展开从二阶核推广到任意阶导数、从连续核推广到均匀核，并首次建立了一致有效的 Edgeworth 展开（uniformly over DGP classes and interval estimators）。这使得覆盖误差最优带宽选择从“理论可行”变为“可计算、可软件实现”。

子线索聚类¶

高阶展开理论：Edgeworth (1887) 奠基；本文的核心贡献在于将有效 Edgeworth 展开推广到局部多项式回归的 t 统计量，且允许均匀核和任意导数阶。这一簇关注的是展开的存在性、有效性、一致性。
推断最优调优参数：Calonico et al. (2015, 2018) 提出并发展了覆盖误差最优带宽；本文在此基础上进一步优化了核函数选择。这一簇关注的是如何将高阶展开结果转化为可操作的带宽/核选择规则。
软件实现与应用：Calonico et al. (2019) 的 nprobust 包实现了前述方法；本文的方法也已集成到 R 和 Stata 包中。这一簇关注的是方法的可复现性和实用性。
替代方法：Neumann (1997) 的欠平滑策略；Chen (2017) 的 bootstrap 方法（对去偏估计量进行 bootstrap）。这些方法与本文的“稳健偏差校正”路线形成竞争。

这个方向在追问的核心问题¶

如何量化非参数置信区间的有限样本覆盖误差？ 一阶渐近（正态近似）只能给出覆盖概率趋近于名义水平，但无法区分不同带宽/核函数下的精度差异。Edgeworth 展开提供了 O(n^{-1/2}) 或 O(n^{-1}) 阶的修正项。
“推断最优”带宽与“估计最优”（MSE 最优）带宽有何关系？ Calonico et al. (2015) 发现：对于二阶核，MSE 最优带宽在偏差校正后恰好给出最快的覆盖误差衰减率；但对于更高阶核，MSE 最优带宽“太大”，需要更小的带宽来优化覆盖误差。本文进一步推广了这一结论。
均匀核是否可用于高阶推断？ 均匀核的导数不连续，导致传统的 Edgeworth 展开技术失效。本文解决了这一技术难题。
如何选择核函数以最小化覆盖误差？ 本文给出了覆盖误差最优核的显式形式。

⚠️ 作者的 framing¶

作者将缺口 frame 成：“现有 Edgeworth 展开结果仅适用于连续核和低阶导数，且不是一致有效的。因此，无法基于它们进行原则性的、推断最优的调优参数选择。” 本文通过建立一致有效的 Edgeworth 展开（允许均匀核和任意导数阶），使自己成为“显然的下一步”。

被淡化或回避的竞争路线： - 欠平滑（undersmoothing）：作者在引言中仅一笔带过，称其“需要更小的带宽，导致更大的方差和更宽的区间”。但 Neumann (1997) 的结论（欠平滑在某些设定下优于偏差校正）未被正面回应或反驳。 - Bootstrap 方法：Chen (2017) 的 bootstrap 去偏估计量方法被引用，但未与本文方法进行直接比较（如覆盖误差的显式展开 vs. bootstrap 的隐式近似）。 - Minimax 推断：Tuvaandorj (2020) 的 minimax 分析被提及，但作者明确将其与本文的“最坏情况覆盖误差”区分开——前者是点估计的 minimax 率，后者是区间估计的覆盖误差。

什么明显该被引 / 该存在、却没出现在 intro 里？ - Hall (1992) 的《The Bootstrap and Edgeworth Expansion》：这是 Edgeworth 展开在统计学中的标准参考书，本文未引用。可能因为本文的展开技术更接近计量经济学传统（如 Rothenberg 1984 的 Edgeworth 展开用于 IV 估计），而非统计学的 bootstrap-Edgeworth 传统。 - Fan & Gijbels (1996) 的《Local Polynomial Modelling and Its Applications》：局部多项式回归的经典专著，本文未引用。可能因为作者认为其技术细节已被后续文献覆盖。

张力¶

未见明显对立引用。Calonico et al. (2015) 与 Neumann (1997) 在“偏差校正 vs. 欠平滑”上结论相反，但本文作者通过引入“稳健偏差校正”（即新的 Studentization 方法）来调和这一矛盾——他们声称自己的方法优于欠平滑，且不依赖于 Neumann 的设定。这一“调和”本身是否成立，值得研究者亲自验证。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型、可观测数据交代清楚¶

符号： - \( (Y_i, X_i) \), \( i = 1, \dots, n \)：可观测的独立同分布样本。\( Y_i \in \mathbb{R} \) 是响应变量，\( X_i \in \mathbb{R} \) 是协变量（本文考虑一元回归）。 - \( m(x) = \mathbb{E}[Y_i \mid X_i = x] \)：条件期望函数，是我们要估计的目标。 - \( x_0 \)：一个固定的点，我们想构造 \( m(x_0) \) 的置信区间。 - \( p \in \{0, 1, 2, \dots\} \)：局部多项式的阶数。例如 \( p=1 \) 是局部线性回归，\( p=0 \) 是 Nadaraya-Watson 估计。 - \( \nu \in \{0, 1, 2, \dots\} \)：导数的阶数。我们感兴趣的是 \( m^{(\nu)}(x_0) \)。\( \nu=0 \) 对应函数值本身。 - \( h > 0 \)：带宽（平滑参数）。 - \( K(\cdot) \)：核函数，满足 \( \int K(u) du = 1 \)。本文特别关注均匀核 \( K(u) = \frac{1}{2} \mathbf{1}_{|u| \le 1} \)。 - \( \hat{\beta}(x_0) = (\hat{\beta}_0, \dots, \hat{\beta}_p)^\top \)：局部多项式估计的系数向量，通过加权最小二乘得到：

\[\hat{\beta}(x_0) = \arg\min_{\beta} \sum_{i=1}^n \left( Y_i - \sum_{j=0}^p \beta_j (X_i - x_0)^j \right)^2 K\left( \frac{X_i - x_0}{h} \right).\]

- \( \hat{m}^{(\nu)}(x_0) = \nu! \, \hat{\beta}_\nu \)：\( m^{(\nu)}(x_0) \) 的局部多项式估计量。 - \( \hat{\tau}(x_0) \)：\( \hat{m}^{(\nu)}(x_0) \) 的方差估计（标准误）。 - \( T_n(x_0) = \frac{\hat{m}^{(\nu)}(x_0) - m^{(\nu)}(x_0)}{\hat{\tau}(x_0)} \)：t 统计量。 - \( \theta = (m, F_{X|Y}, F_X) \)：数据生成过程（DGP），包含条件均值函数、条件分布、边际分布。本文的 Edgeworth 展开要求对 \( \theta \) 属于某个函数类 \( \Theta \) 一致成立。

模型： - 数据生成机制：\( Y_i = m(X_i) + \varepsilon_i \)，其中 \( \mathbb{E}[\varepsilon_i \mid X_i] = 0 \)，\( \text{Var}(\varepsilon_i \mid X_i) = \sigma^2(X_i) \)（允许异方差）。 - \( m(\cdot) \) 是 \( (p+1) \) 阶连续可微的（以保证局部多项式估计的偏差有显式形式）。 - 核函数 \( K(\cdot) \) 是紧支撑的、对称的、有界的。均匀核是允许的（本文的关键推广）。 - 带宽 \( h \to 0 \) 且 \( nh \to \infty \)（标准非参数条件）。

可观测数据： - 研究者能观测到 \( \{(Y_i, X_i)\}_{i=1}^n \)。 - 研究者不能直接观测到 \( m(x_0) \)、\( m^{(\nu)}(x_0) \)、\( \sigma^2(x_0) \)、或误差项 \( \varepsilon_i \)。这些是潜在量，需要通过假设（如平滑性、矩条件）和估计来推断。

第二步：最小内核¶

最简特例：考虑最简单的设定——**局部线性回归（\( p=1 \)），估计函数值本身（\( \nu=0 \)），使用均匀核 \( K(u) = \frac{1}{2} \mathbf{1}_{|u| \le 1} \)，且假设同方差（\( \sigma^2(x) \equiv \sigma^2 \)）和固定设计（\( X_i \) 等间距分布在 \( [0,1] \) 上）。

在这个特例下，局部线性估计量 \( \hat{m}(x_0) \) 有显式形式：

\[\hat{m}(x_0) = \frac{1}{nh} \sum_{i=1}^n w_i Y_i,\]

其中权重 \( w_i \) 由均匀核和局部线性回归的“等效核”给出。t 统计量为：

\[T_n(x_0) = \frac{\hat{m}(x_0) - m(x_0)}{\hat{\tau}(x_0)}.\]

核心命题（本文要证明的，在这个特例下的退化形式）：存在一个 Edgeworth 展开：

\[\mathbb{P}_\theta(T_n(x_0) \le t) = \Phi(t) + \frac{1}{\sqrt{nh}} \phi(t) \cdot q_1(t; \theta) + o\left( \frac{1}{\sqrt{nh}} \right),\]

其中 \( \Phi, \phi \) 是标准正态的 CDF 和 PDF，\( q_1(t; \theta) \) 是一个关于 \( t \) 的二次多项式，其系数依赖于 DGP \( \theta \)（特别是偏差和方差）。关键：这个展开对 \( \theta \) 属于某个函数类 \( \Theta \) 一致成立，且允许均匀核。

为什么难？ 均匀核的导数不连续（在 \( |u|=1 \) 处跳跃），导致传统的“积分展开 + 泰勒展开”技术失效——因为需要核函数的导数来控制余项。本文的关键想法是：利用均匀核的“分段常数”结构，将积分区域分割成子区间，在每个子区间上核函数是常数，从而避免对核函数求导。这类似于“分而治之”的策略。

这个特例下的证明思路： 1. 将 t 统计量写为 \( T_n = \frac{\text{偏差项} + \text{方差项}}{\text{标准误}} \)。 2. 对分子进行高阶展开（偏差的泰勒展开到 \( h^2 \) 阶，方差项的 Edgeworth 展开到 \( n^{-1/2} \) 阶）。 3. 对分母（标准误）进行类似的展开。 4. 利用均匀核的“分段常数”性质，将积分 \( \int K(u) g(u) du \) 转化为分段积分，避免对 \( K \) 求导。 5. 应用“平滑的 Edgeworth 展开”技术（如 Bhattacharya & Ghosh 1978 的“变换方法”），将 t 统计量的分布展开为 Edgeworth 级数。

一般情形（任意 \( p, \nu \)，异方差，随机设计）只是这个特例的“加壳”：需要处理更复杂的权重结构、更高阶的偏差展开、以及异方差带来的方差估计复杂性，但核心的“分段积分”技巧和 Edgeworth 展开框架保持不变。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在局部多项式回归中，构造在渐近意义下最小化最坏情况覆盖误差和区间长度的置信区间。
核心工具/方法：建立了 t 统计量的一致有效 Edgeworth 展开（允许均匀核和任意导数阶），并基于此推导了覆盖误差最优的带宽和核函数选择规则。
主要结论：覆盖误差最优带宽与 MSE 最优带宽不同（除非使用二阶核且 \( \nu=0 \)）；覆盖误差最优核是“Epanechnikov-like”的，但依赖于导数阶数；所提出的置信区间在覆盖误差和区间长度上均优于传统的欠平滑和未校正的偏差校正方法。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

假设 1（平滑性）：\( m(\cdot) \) 在 \( x_0 \) 的邻域内 \( (p+2) \) 阶连续可微。这保证了偏差展开到 \( h^{p+2} \) 阶。
假设 2（设计密度）：\( X_i \) 的边际密度 \( f_X(\cdot) \) 在 \( x_0 \) 的邻域内连续且 \( f_X(x_0) > 0 \)。
假设 3（条件方差）：\( \sigma^2(x) = \text{Var}(Y_i \mid X_i = x) \) 在 \( x_0 \) 的邻域内连续且有界。
假设 4（核函数）：\( K(\cdot) \) 是紧支撑的、对称的、有界的。允许均匀核（这是本文的关键推广，此前文献要求核函数至少一阶连续可导）。
假设 5（带宽条件）：\( h \to 0 \)，\( nh \to \infty \)，且 \( nh^{2p+3} \to 0 \)（这是“欠平滑”条件，确保偏差的渐近阶低于方差，从而 t 统计量渐近正态）。本文的 Edgeworth 展开需要更精细的带宽条件（如 \( nh^{2p+5} \to 0 \) 以确保高阶偏差项可忽略）。

相比已有文献的强化/放宽： - 放宽：核函数从“至少一阶连续可导”放宽到“有界、紧支撑”（允许均匀核）。 - 放宽：导数阶数 \( \nu \) 从 \( \nu=0 \) 或 \( \nu=1 \) 推广到任意非负整数。 - 强化：Edgeworth 展开的“一致性”——对 DGP 类 \( \Theta \) 和区间估计量类 \( \mathcal{I} \) 一致成立，而非仅对单个 DGP 成立。这保证了“最坏情况覆盖误差”的优化有意义。

主要结果¶

定理 1（Edgeworth 展开的存在性与一致性）：在假设 1-5 下，存在一个 Edgeworth 展开：

\[\mathbb{P}_\theta(T_n(x_0) \le t) = \Phi(t) + \frac{1}{\sqrt{nh}} \phi(t) \cdot q_1(t; \theta) + \frac{1}{nh} \phi(t) \cdot q_2(t; \theta) + o\left( \frac{1}{nh} \right),\]

其中 \( q_1, q_2 \) 是 \( t \) 的多项式，系数依赖于 \( \theta \)（特别是偏差 \( h^{p+1} B(x_0) \) 和方差 \( V(x_0) \)）。关键：余项 \( o(1/(nh)) \) 对 \( \theta \in \Theta \) 和 \( t \in \mathbb{R} \) 一致成立。

直觉：一阶项 \( \Phi(t) \) 是正态近似；\( O(1/\sqrt{nh}) \) 项由偏差和方差估计的偏误驱动；\( O(1/(nh)) \) 项由更高阶的偏差和偏误驱动。均匀核的“分段常数”性质使得展开中的积分项可以精确计算，而非依赖于核函数的导数。

必要条件：\( nh^{2p+5} \to 0 \)（比渐近正态所需的 \( nh^{2p+3} \to 0 \) 更严格），以确保偏差展开的高阶项不污染 Edgeworth 展开的主项。

解决的技术难点：均匀核的导数不连续，导致传统的“积分展开 + 泰勒展开”技术失效。本文通过“分段积分”技巧绕过这一困难：将积分区域 \( [-1, 1] \) 分割成子区间，在每个子区间上核函数是常数，从而将积分转化为 Riemann 和，再应用 Edgeworth 展开的标准技术。

定理 2（覆盖误差最优带宽）：使置信区间 \( [\hat{m}^{(\nu)}(x_0) \pm z_{\alpha/2} \hat{\tau}(x_0)] \) 的覆盖误差 \( |\mathbb{P}_\theta(m^{(\nu)}(x_0) \in \text{CI}) - (1-\alpha)| \) 最小化的带宽为：

\[h_{\text{opt}} = \left( \frac{C_1(\nu, p, K)}{n} \right)^{1/(2p+3)},\]

其中 \( C_1 \) 是一个依赖于 \( \nu, p, K \) 的常数。关键：这个带宽与 MSE 最优带宽 \( h_{\text{MSE}} \propto n^{-1/(2p+3)} \) 有相同的收敛速率，但常数不同。对于 \( p=1, \nu=0 \) 且使用二阶核，两者常数相等（即 MSE 最优带宽恰好是覆盖误差最优带宽）；对于更高阶核或 \( \nu>0 \)，MSE 最优带宽“太大”。

定理 3（覆盖误差最优核）：使覆盖误差最小化的核函数是“Epanechnikov-like”的：

\[K_{\text{opt}}(u) \propto (1 - u^2)^\gamma \mathbf{1}_{|u| \le 1},\]

其中 \( \gamma \) 依赖于 \( \nu \) 和 \( p \)。例如，对于 \( p=1, \nu=0 \)，\( \gamma=1 \)（即 Epanechnikov 核）；对于 \( p=1, \nu=1 \)，\( \gamma=2 \)。

证明路线与技术技巧¶

整体路线（3-5 步逻辑主干）：

t 统计量的线性化：将 \( T_n(x_0) \) 写为：
\[T_n = \frac{\hat{m}^{(\nu)} - m^{(\nu)}}{\hat{\tau}} = \frac{\text{偏差} + \text{线性项} + \text{余项}}{\hat{\tau}}.\]
其中“线性项”是 \( \frac{1}{nh} \sum_i \psi_i \varepsilon_i \) 的形式，\( \psi_i \) 是已知权重（由核函数和设计密度决定）。
偏差展开：对 \( \mathbb{E}[\hat{m}^{(\nu)}] - m^{(\nu)} \) 进行泰勒展开到 \( h^{p+2} \) 阶，得到：
\[\text{偏差} = h^{p+1} B(x_0) + h^{p+2} C(x_0) + o(h^{p+2}).\]
方差估计的展开：对 \( \hat{\tau}^2 \) 进行类似的展开，得到：
\[\hat{\tau}^2 = \tau^2 + \frac{1}{nh} \sum_i \zeta_i (\varepsilon_i^2 - \sigma^2(X_i)) + \text{余项},\]
其中 \( \tau^2 \) 是渐近方差，第二项是方差估计的“线性化”偏误。
Edgeworth 展开：将步骤 1-3 代入 \( T_n \)，得到：
\[T_n = Z_n + \frac{1}{\sqrt{nh}} \cdot \text{偏差项} + \frac{1}{nh} \cdot \text{偏误项} + \text{余项},\]
其中 \( Z_n \) 是渐近标准正态的“核心”统计量。然后应用“平滑的 Edgeworth 展开”技术（如 Bhattacharya & Ghosh 1978 的“变换方法”），将 \( T_n \) 的分布展开为 Edgeworth 级数。
一致性的证明：通过“分块”和“经验过程”技术，证明余项对 \( \theta \in \Theta \) 一致为 \( o(1/(nh)) \)。关键跳跃点：均匀核的“分段积分”技巧——将积分 \( \int_{-1}^1 K(u) g(u) du \) 分割为 \( \int_{-1}^0 \frac{1}{2} g(u) du + \int_0^1 \frac{1}{2} g(u) du \)，从而避免对 \( K \) 求导。

关键跳跃点： - 引理 1（均匀核下的偏差展开）：证明在均匀核下，偏差的泰勒展开仍然成立，且余项一致有界。难点在于均匀核的“边界效应”（在 \( |u|=1 \) 处跳跃），通过“分段积分”解决。 - 引理 2（方差估计的 Edgeworth 展开）：证明 \( \hat{\tau}^2 \) 的分布也有 Edgeworth 展开，且与 \( \hat{m}^{(\nu)} \) 的展开“兼容”。这需要处理“二次型”统计量的 Edgeworth 展开，用到“累积量展开”技术。

技术技巧点名： - 分段积分：用于处理均匀核的导数不连续问题。将积分区域分割成子区间，在每个子区间上核函数是常数，从而将积分转化为 Riemann 和。 - 平滑的 Edgeworth 展开：Bhattacharya & Ghosh (1978) 的“变换方法”，用于将 t 统计量的分布展开为 Edgeworth 级数。核心思想是：先对“核心”统计量（如 \( Z_n \)）做 Edgeworth 展开，再通过“变换”得到 t 统计量的展开。 - 累积量展开：用于处理方差估计 \( \hat{\tau}^2 \) 的分布。将 \( \hat{\tau}^2 \) 写为 U 统计量的形式，然后应用 U 统计量的 Edgeworth 展开理论。 - 经验过程 / 一致收敛：用于证明 Edgeworth 展开的“一致性”（对 \( \theta \in \Theta \) 一致成立）。需要控制“余项”在函数类上的最大模。

真实例子与应用¶

本文为纯理论论文，无真实数据例子。模拟实验在补充材料中（本文未提供摘要，但根据 nprobust 包的文献，模拟通常包括：比较所提置信区间与欠平滑、未校正偏差校正的覆盖误差和区间长度；验证 Edgeworth 展开的近似精度；展示带宽选择规则的有限样本表现）。

🔎 结论是否比证明窄¶

是。定理 1 的 Edgeworth 展开是在“欠平滑”条件 \( nh^{2p+5} \to 0 \) 下证明的。这意味着： - 如果带宽选择使得 \( nh^{2p+5} \to c > 0 \)（即“非欠平滑”），则 Edgeworth 展开可能不成立，覆盖误差最优带宽的结论可能失效。 - 作者在定理 2 中声称的“覆盖误差最优带宽”是在“欠平滑”框架下推导的。但实际应用中，研究者可能使用 MSE 最优带宽（它通常不满足 \( nh^{2p+5} \to 0 \)），此时本文的结论是否仍然适用？作者在引言中暗示“可以通过偏差校正来放松欠平滑条件”，但未在定理中正式证明。

此外，定理 3 的“覆盖误差最优核”是在“给定带宽选择规则”下推导的。如果带宽选择规则改变（例如从“覆盖误差最优”改为“MSE 最优”），最优核可能不同。作者未讨论这种“联合优化”问题。

四、开放问题¶

非欠平滑设定下的 Edgeworth 展开：本文的 Edgeworth 展开要求 \( nh^{2p+5} \to 0 \)。如果使用 MSE 最优带宽（\( h \propto n^{-1/(2p+3)} \)），则 \( nh^{2p+5} \propto n^{2/(2p+3)} \to \infty \)，展开失效。能否在“非欠平滑”设定下建立类似的展开？这需要处理“偏差项”与“方差项”同阶时的复杂交互。（扎根于：定理 1 的带宽条件 \( nh^{2p+5} \to 0 \)）
联合优化带宽与核函数：本文分别优化了带宽（定理 2）和核函数（定理 3），但未考虑两者的联合优化。是否存在一个“全局最优”的 \( (h, K) \) 对，使得覆盖误差最小？这需要求解一个二维变分问题。（扎根于：定理 2 和定理 3 的分离处理）
多元局部多项式回归：本文仅考虑一元协变量。对于多元局部多项式回归，Edgeworth 展开的维数诅咒（curse of dimensionality）会使得展开项数爆炸。是否存在“稀疏”的 Edgeworth 展开，仅保留主导项？这需要结合“有效维数”或“可加结构”等假设。（扎根于：本文的设定 \( X_i \in \mathbb{R} \)）
与 Bootstrap 方法的比较：Chen (2017) 的 bootstrap 去偏估计量方法提供了另一种构造置信区间的途径。本文的 Edgeworth 展开方法在覆盖误差上是否严格优于 bootstrap？这需要理论比较（如 Edgeworth 展开的“二阶精度” vs. bootstrap 的“二阶精度”）和有限样本模拟。（扎根于：引言中引用了 Chen 2017，但未进行比较）

Maintained by 陈星宇 · Homepage · Source on GitHub