ブートストラップ標準誤差と信頼区間は、等分散性の仮定に違反する回帰で適切ですか？

標準のOLS回帰で2つの仮定（エラーの正規分布、等分散性）に違反する場合、標準誤差と信頼区間のブートストラップは、リグレッサ係数の有意性に関して意味のある結果を得るための適切な代替手段ですか？

ブートストラップされた標準誤差と信頼区間を使用した有意性検定は、依然として不均一分散で「機能」していますか？

「はい」の場合、このシナリオで使用できる適用可能な信頼区間は何ですか（パーセンタイル、BC、BCA）。

最後に、このシナリオでブートストラップが適切な場合、この結論に到達するために読んで引用する必要がある関連文献は何でしょうか？ヒントは大歓迎です！

独立しているが同一に分散されていないデータで線形回帰のブートストラップを実行するには、少なくとも3つ（またはそれ以上）のアプローチがあります。（たとえば、時系列データとの自己相関、サンプリング設計によるクラスタリングなどにより、「標準」の仮定に他の違反がある場合、事態はさらに複雑になります）。

1. 観測全体をリサンプリングできます。つまり、元のデータ{ （y i、x i）}からを置換したサンプルを取得できます。これは、Huber-Whiteの不均一分散補正を実行することと漸近的に等価です。$(y_j^*, {\bf x}_j^*)$$\{ (y_i, {\bf x}_i) \}$
2. あなたは、あなたのモデルに適合残差を得ることができます、およびリサンプル独立して、X * JとE * $e_i = y_i - {\bf x}_i ' \hat\beta$${\bf x}_j^*$$e_j^*$がある場合は、それぞれの経験分布からの置き換えではなく、不均一パターンダウンこの休憩をany、だから私はこのブートストラップが一貫しているとは思わない。
3. ワイルドブートストラップを実行して、残差の符号をリサンプリングすることができます。これは、条件付きの2番目の瞬間を制御します（さらに、条件付きの3番目の瞬間も調整します）。これは私が推奨する手順です（「不均一分散を制御するために何をしましたか？どのように機能することを知っていますか？」

最終的な参考文献はWu（1986）ですが、Annalsはまさに絵本の読み物ではありません。

コメントで尋ねられたOPのフォローアップ質問に基づく更新：

レプリケートの数は私には大きそうに見えました。私が知っているこのブートストラップパラメータの唯一の良い議論は、Efron＆TibshiraniのIntro to Bootstrap bookにあります。

Huber / Whiteの標準誤差を使用しても、分布の仮定の欠如に対する一般的に同様の修正が得られると思います。Cameron＆Triverdiの教科書では、ペアのブートストラップとWhiteの不均一分散補正の等価性について説明しています。等価性は、推定の一般的なロバスト性理論から得られます。両方の修正は、分布の仮定を修正することを目的としています。ブートストラップ補正と不均一分散補正の比較についても参照してください。$M$有限サンプルのより具体的な比較 Hausman and Palmer（2012）（この論文のバージョンは、著者のWebサイトのいずれかで入手できます）