自举标准误差和置信区间是否适合违反均等假设的回归？

如果在标准OLS回归中违反了两个假设（误差的正态分布，均方差），自举标准误差和置信区间是否是一种适当的替代方法，以获得关于回归系数的重要性的有意义的结果？

具有自举标准误差和置信区间的显着性测试是否仍可以“异方差”地“起作用”？

如果是，在这种情况下可以使用的适用置信区间（百分位数，BC，BCA）是多少？

最后，如果在这种情况下自举是合适的，那么需要阅读和引用哪些相关文献才能得出这个结论？任何提示将不胜感激！

至少有三种（可能更多）方法可以对独立但分布不相同的数据执行引导程序以进行线性回归。（如果您还有其他违反“标准”假设的行为，例如由于与时间序列数据的自相关，或者由于抽样设计而导致的聚类，则情况会变得更加复杂）。

1. 您可以从整体上对观察进行重新采样，即从原始数据{ （y i，x i）}中替换进行采样。这将渐近等效于执行Huber-White异方差校正。$(y_j^*, {\bf x}_j^*)$$\{ (y_i, {\bf x}_i) \}$
2. $e_i = y_i - {\bf x}_i ' \hat\beta$${\bf x}_j^*$$e_j^*$
3. 您可以执行野引导程序，在其中对残差的符号进行重新采样，从而控制条件第二秒（以及有条件的第三时刻的一些额外调整）。这就是我建议的程序（前提是您可以理解它并在被问到“您如何控制异方差？您如何知道它起作用吗？”的情况下为他人辩护）。

最终的参考文献是Wu（1986），但Annals并不完全是图画书。

最新通报基础上，OP的后续问题问的评论：

在我看来，复制品的数量很大。我知道的有关该引导程序参数的唯一很好的讨论是在Efron＆Tibshirani的《引导程序简介》一书中。

$M$）在自举和异方差校正之间进行比较。